??? 標注猿的第55篇原創 ? ?

?? 一個用數據視角看AI世界的標注猿 ?

上一篇文章我們講了基于圖像的目標檢測技術，但對于標注人員來說這部分內容就相對比較難一些，只是作為一個了解就可以，但是如果想向人工智能訓練師或者更高職位的發展就一定要了解。

從目前的標注需求來看自動駕駛的標注需要一定是占據了標注行業的半壁江山的而從數據需求來看有是足夠持續的，畢竟做自動駕駛的“金主爸爸們”都是非常富足的。

本文就繼續就基于激光雷達的目標檢測方法做學習。

基于激光雷達的目標檢測方法

雖然在圖像領域可以利用雙目視覺來重建三維場景，能為基于圖像的3D目標檢測方法提供深度信息，但是所提供的深度細心本身具有一定損失，因此為了獲得更加精準的三維信息，激光雷傳感器是不可或缺的。

目前基于激光雷達進行3D目標檢測的方法，根據其數據表示方法可以分為體素的表示方法和基于原始點云的表示方法。

是將不規則點云轉換為類似于圖像的規則形式，以便利用3D卷積神經網絡進行特征提取。方法包括以下幾種：

• 基于體素的表示方法：

• PointPillar：基于立體柱（Pillar）形式的目標檢測方法以PointPillar為代表，其將點云以立體柱的形式體素化，每個Pillar中隨機保留固定數量的點云，并使用PointNet網絡提取Pillar中點云全局特征，作為Pillar的特征。該體素化方式將整個三維點云空間壓縮到了二位，并且使用二位的卷積神經網絡實現了端到端的3D點云學習。

• VoxelNet：基于體素（Voxel）形式的目標檢測方法以VoxelNet為 代表，其將點云3D空間等間距分割成多個Voxel，經過點的隨機采樣以及歸一化后，對每個一個非空Voxel使用若干VFE（Voxel Feature Encoding，體素特張編碼）層進行局部特征提取，得到體素級特征，然后經過3D卷積神經網絡層進一步抽象得到局部的特征，最后使用RPN對物體進行分類檢測與位置回歸。

  其中VFE層，對于Voxel中N個采樣點使用全連接網絡抽象點級特征，在使用最大池化方法得到布局特征，這與PointNet的處理方式類似。

  此外，由于點云具有高度的稀疏性以及密度不均勻性，我們利用哈希表查詢的方式，可以做到快速找到每一個Voxel中的點在三維點云中的具體位置。

• SECOND:SECOND同樣使用了Voxel的表示形式，相比于VoxelNet來說，其創新點在于使用了3D稀疏卷積和子流形稀疏卷積來提升目標檢測的速度。

  由于點云的稀疏性，其生成的體素網格同樣具有很強的稀疏性，因此使用稀疏卷積極大的提高了檢測的效率。

  此外，該方法在數據增強時使用了數據庫采樣操作，該操作將訓練數據集中的所有的正樣本的點云保存到數據庫中，在訓練過程中從數據庫中隨機選擇對應類的正樣本，加入到該幀訓練數據中，從而增強了數據的多樣性。

• 基于原始點云的表示方法：

  為了避免體素化過程中由于丟失精確的三維信息而導致識別結果不準確，可以基于原始點云進行表示。基于原始電影進行3D目標檢測的方法包括PointNet、PointNet++、PV-RCNN，SAPV-RCNN。

• PointNet：PointNet是基于原始點云進行目標檢測的開創性方法。由于原始電影的無序性和不規則問題，傳統的卷積神經網絡算法難以在原始電影上進行特征提取。

  但是要在原始點云提取特征，必須解決點云的無序性和旋轉不變性問題。原始點云的無序性即對于一個特定點集，其不會隨點輸入順序改變而改變，因此模型需要對不同輸入順序的相同點集有相同的分類或語義分割結果。

  針對該問題，PointNet使用對稱函數保證序列不變，這里用到了最大池化來做對稱函數。原始點云的變換不變性，即旋轉和平移不改變點云含義，因此模型需要對經過旋轉或平移的相同點集有同樣結果。

• PointNet++：原始點云之間每個點都不是孤立的，因此模型需要可以提取點與相鄰點的局部特征能力，PointNet++主要針對PointNet中無法提取局部點云特征做出了改進。

  在PointNet中利用多層感知機對每個點分別提取特征，然后使用對稱性函數Max-Pooling來提取全局點云特征，沒有考慮到局部特征。

• PV-PCNN：PV-RCNN結合了體素化的表示形式和原始點云表示形式的優點，是一個兩階段的網絡，從而在可控的內存消耗下提高了3D對象檢測的性能。

  第一階段：產生的檢測框是有體素化特征得到的，因此其三維坐標準去度不足。

  第二階段：對于每個檢測框提取了基本原始點云的特征，經過提議求精（Proposal Refinement）模塊生成修正的目標檢測結果。

• SAPV-RCNN：無論是體素法還是原始點云法，更多地都是關注單個類別目標檢測效果的提升，盡管網絡可以遷移到不同目標類別上完成不同目標檢測任務，但是難以訓練出統一的網絡來對尺度差異較大的多類目標同時完成檢測，因此這種方案的擴展性差，必須通過仔細調整模型設計、嘗試不同的超參數才能完成新模型的訓練，實現多類別高精度檢測。

  因此，提出SAPV-RCNN方法，在模型構建時加入尺度自適應模塊，通過自適應地學習潛在目標的尺度信息，來指導特征提取范圍，從而保證小尺度的物體不會因為特征提取范圍過大造成信息完全損失；

  同時，大尺度的物體不會由于特征提取范圍過小導致無法提取物體整體信息，從而實現尺度適應的三維目標檢測。

以上就是本文基于激光雷達的目標檢測方法的介紹。有感興趣的小伙伴也可以看《基于5G的智能駕駛技術與應用》一書，是北郵的網絡與交換國家重點實驗室組編，非常適合小伙伴做基礎理解和行業了解為主的學習。

相關文章閱讀：

自動駕駛采標系列三：基于圖像的目標檢測技術（內附標注猿專屬定制新年禮品）

自動駕駛采標系列二：車載感知與車載傳感器標定（內附標注猿專屬定制新年禮品）

自動駕駛采標系列一：自動駕駛數據采集資質及采集數據出境的調研分析

下一篇文章預告：

??? 《自動駕駛采標系列五：圖像與激光雷達聯合目標檢測方法》”

-----------------------完---------------------

公眾號：AI數據標注猿

知乎：AI數據標注猿

CSDN：AI數據標注猿

-----------------------完---------------------

?

總結

以上是生活随笔為你收集整理的自动驾驶采标系列四：基于激光雷达的目标检测方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。