DETR3D: 3D Object Detection from Multi-view Images via 3D-to-2D Queries

目的

本文提出了一个 仅使用 2D 信息的，3D 目标检测网络，并且比依赖与 密集的深度预测 或者 3D 重建的过程。该网络使用了 和 DETR 相似的 trasformer decoder ，因此也无需 NMS 等后处理操作。

长久以来 3D目标检测是一个挑战，并且 仅使用 2D 的图像信息（RGB图像），相比于 3D 信息（LiDAR）更加困难。

一些经典的方法：

1. 使用2D 目标检测 pipeline（CenterNet，FCOS等） 预测 3D信息（目标pose，速度），并不考虑 3D场景结构 或 传感器配置。这些方法需要一些后处理来融合多个相机的信息，以及去掉冗余的 boxes。
2. 作为这些基于2D方法的一些替代方案，一些方法将3D的计算纳入了 pipeline中：通过从图像中生成伪激光雷达，或是场景的距离。然后使用一些 3D 目标检测方法，处理这些数据，就好像我们直接获取了 3D 的数据。这种方法的问题是，对深度估计的不准确，会对3D的目标检测带来负面影响。

本文提出了一个更加优雅的 2D 观察到 3D预测的过渡，用于自动驾驶任务，该方法不依赖于 密集的深度预测模块。

方法

网络结构

网络结构概述：

1. 使用一个共享的 ResNet backbone 以及 FPN 提取特征
2. 一个检测头，以 geometry-aware manner 连接 2D 特征 和 3D bbox 预测。检测头的每一层都 输入 从数据中学到的 目标 query 的稀疏集合。每一个 object query 都编码了 3D 位置信息，这些 object query 都被投影到了 相机平面，并被用来收集图像的特征。
3. 与 DETR 相同，使用了 多头注意力 refine object queries，这个 layer 将重复多次
4. 在 decoder 的最后 会使用一个 FFN 给出最后的结果
5. 最后 使用 set-set loss 训练网络

decoder 每一个 layer 的处理步骤：

1. 预测一组与对象查询相关的边界框中心；
2. 使用相机变换矩阵将这些中心投影到所有特征图中；
3. 通过双线性插值对特征进行采样并将它们合并到对象查询中；
4. 使用多头注意力描述对象交互。

loss

类似于 DETR 的 set to set 的 loss，在 decoder 的每一个 layer 后面都有 loss 的计算。

相关资料

BEV下的纯视觉目标检测-DETR3D - 清华MARS Lab的文章 - 知乎 https://zhuanlan.zhihu.com/p/499795161