[[286342]]

本文提出了一種基于邊界框回歸的高效點(diǎn)云實(shí)例分割算法，通過最小化關(guān)聯(lián)代價(jià)函數(shù)來實(shí)現(xiàn)大致的邊界框回歸，并通過point mask預(yù)測(cè)來實(shí)現(xiàn)最終的實(shí)例分割。3D-BoNet不僅在ScanNet和S3DIS數(shù)據(jù)集上達(dá)到了state-of-the-art的效果，比當(dāng)前大多數(shù)算法快了10倍以上。

Introduction

實(shí)現(xiàn)有效的三維場(chǎng)景理解(3D scene understanding)是計(jì)算機(jī)視覺和人工智能領(lǐng)域的關(guān)鍵問題之一。近年來，針對(duì)三維點(diǎn)云理解的研究取得了顯著的進(jìn)展，在諸如點(diǎn)云目標(biāo)檢測(cè)，語義分割等任務(wù)上都展現(xiàn)出了很不錯(cuò)的效果。然而，針對(duì)于點(diǎn)云實(shí)例分割的研究還處于較為初級(jí)的階段。

Motivation

如下圖所示，當(dāng)前主流的點(diǎn)云實(shí)例分割算法可以分為以下兩類：1）基于候選目標(biāo)框(Proposal-based methods)的算法，例如3D-SIS[1]，GSPN[2]，這類方法通常依賴于兩階段的訓(xùn)練(two-stage training)和昂貴的非極大值抑制(non-maximum suppression, NMS)等操作來對(duì)密集的proposal進(jìn)行選擇。2）無候選目標(biāo)框的算法(Proposal-free methods)，例如SGPN[3], ASIS[4], JSIS3D[5], MASC[6], 3D-BEVIS[7]等。這類算法的核心思想是為每個(gè)點(diǎn)學(xué)習(xí)一個(gè)discriminative feature embedding，然后再通過諸如mean-shift等聚類(clustering)方法來將同一個(gè)instance的點(diǎn)聚集(group)到一起。這類方法的問題在于最終聚類到一起的instance目標(biāo)性(objectness)比較差。此外，此類方法后處理步驟(post-processing)的時(shí)間成本通常較高。

圖1. 當(dāng)前主流的點(diǎn)云實(shí)例分割算法對(duì)比

不同于上述兩類方法，我們提出了一個(gè)single stage, anchor free并且end-to-end的基于邊界框回歸的實(shí)例分割算法(3D-BoNet)。該算法具有如下優(yōu)勢(shì)

• 相比于proposal-free的方法，3D-BoNet顯式地去預(yù)測(cè)目標(biāo)的邊界框，因此最終學(xué)到的instance具有更好的目標(biāo)性(high objectness).
• 相比于proposal-based的方法，3D-BoNet并不需要復(fù)雜耗時(shí)的region proposal network以及ROIAlign等操作，因此也不需要NMS等post-processing步驟。
• 3D-BoNet由非常高效的shared MLP組成，并且不需要諸如非極大值抑制，特征采樣(feature sampling)，聚類(clustering)或者投票(voting)等后處理步驟，因此非常高效。

Overview

3D-BoNet的總體框架如下圖所示，它主要由Instance-level bounding box prediction和Point-level mask prediction兩個(gè)分支組成。顧名思義，bounding box prediction分支用于預(yù)測(cè)點(diǎn)云中每個(gè)實(shí)例的邊界框，mask prediction分支用于為邊界框內(nèi)的點(diǎn)預(yù)測(cè)一個(gè)mask，進(jìn)一步區(qū)分邊界框內(nèi)的點(diǎn)是屬于instance還是背景。

圖2. 3D-BoNet的總體框架

看到這里，你可能會(huì)產(chǎn)生疑惑：這個(gè)看起來跟proposal-based的框架好像也沒什么區(qū)別？

先說結(jié)論：區(qū)別很大。但問題是區(qū)別到底在哪里呢？

首先，我們可以回顧下proposal-based方法是怎么產(chǎn)生邊界框的呢？沒錯(cuò)，就是根據(jù)anchor用region proposal network (RPN)來產(chǎn)生大量密集的邊界框然后再進(jìn)一步refine，但這個(gè)顯然不夠高效，而且是否真的有必要產(chǎn)生這么多密集的邊界框呢？針對(duì)這個(gè)問題，我們可以來一個(gè)大膽的假設(shè)：要不不用RPN，直接讓為每一個(gè)instance回歸(regress)一個(gè)唯一的，但可能不是那么準(zhǔn)確的邊界框呢(如圖3所示)？

圖3. 為每一個(gè)instance回歸一個(gè)大致的邊界框示例

考慮到3D點(diǎn)云本身就顯式地包含了每個(gè)物體的幾何信息，我們認(rèn)為這個(gè)目標(biāo)是可行的。然后再更大膽一點(diǎn)，要不直接用global feature來regress每個(gè)instance的邊界框試試？如果能做到這點(diǎn)，那問題不就解決一半了嗎？

但新的問題馬上又來了。。首先，每個(gè)三維場(chǎng)景中所包含的實(shí)例數(shù)目是不一樣的(如何讓網(wǎng)絡(luò)自適應(yīng)的輸出不同個(gè)數(shù)的邊界框？)，而且每個(gè)點(diǎn)云中的實(shí)例還是無順序的。這就意味著我們即便用網(wǎng)絡(luò)regress了一系列邊界框，也難以將這些邊界框和ground truth的邊界框一一對(duì)應(yīng)的聯(lián)系起來，進(jìn)一步帶來的問題就是：我們無法實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的有監(jiān)督的訓(xùn)練和優(yōu)化。

到這里，核心的問題就變成了：我們應(yīng)該怎么去訓(xùn)練這種網(wǎng)絡(luò)呢？

針對(duì)這個(gè)問題，我們提出了邊界框關(guān)聯(lián)層(bounding box association layer)以及multi-criteria loss 函數(shù)來實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的訓(xùn)練。換句話說，我們要把這個(gè)預(yù)測(cè)邊界框和ground truth邊界框關(guān)聯(lián)(配對(duì))的問題建模為一個(gè)最優(yōu)分配問題。

圖4. 邊界框預(yù)測(cè)分支的結(jié)構(gòu)圖

如何關(guān)聯(lián)？

為了將網(wǎng)絡(luò)預(yù)測(cè)出來的每一個(gè)邊界框與ground truth 中的邊界框唯一對(duì)應(yīng)地關(guān)聯(lián)起來，我們將其建模為一個(gè)最優(yōu)分配問題。假定 是一個(gè)二值(binary)關(guān)聯(lián)索引矩陣，當(dāng)且僅當(dāng)?shù)?個(gè)預(yù)測(cè)的邊界框分配給ground truth的邊界框時(shí)。  是關(guān)聯(lián)代價(jià)矩陣， 代表將第 個(gè)預(yù)測(cè)的邊界框分配給ground truth的邊界框的關(guān)聯(lián)代價(jià)。一般來說，代表兩個(gè)邊界框的匹配程度，兩個(gè)邊界框越匹配也即代價(jià)越小。因此，邊界框的最優(yōu)關(guān)聯(lián)問題也就轉(zhuǎn)變成為尋找總代價(jià)最小的最優(yōu)分配索引矩陣  的問題，用公式表示如下:

下一步，如何計(jì)算關(guān)聯(lián)代價(jià)矩陣？

衡量?jī)蓚€(gè)三維邊界框的匹配程度，最簡(jiǎn)單直觀的評(píng)價(jià)指標(biāo)就是比較兩個(gè)邊界框的最小-最大頂點(diǎn)之間的歐式距離。然而，考慮到點(diǎn)云通常都非常稀疏且不均勻地分布在3D空間中,如圖4所示，盡管候選框＃2(紅色)與候選框＃1(黑色)與ground truth邊界框＃0(藍(lán)色)都具有相同的歐式距離，但框＃2顯然具有更多有效點(diǎn)(overlap更多)。因此，在計(jì)算代價(jià)矩陣時(shí)，有效點(diǎn)的覆蓋率也應(yīng)該要考慮進(jìn)來。

圖5. 預(yù)測(cè)邊界框與真實(shí)邊界框點(diǎn)云覆蓋率示意圖

為此，我們考慮以下三個(gè)方面的指標(biāo)：

(1) 頂點(diǎn)之間的歐式距離。舉例來說，第個(gè)預(yù)測(cè)的邊界框  分配給ground truth的邊界框 的代價(jià)為:

(2) Soft IoU。給定輸入點(diǎn)云  以及第 ground truth的實(shí)例邊界框  ，我們可以直接得到一個(gè)hard的二值(binary)矢量  來表征每個(gè)點(diǎn)是否在邊界框內(nèi)。然而，對(duì)于相同輸入點(diǎn)云的第  預(yù)測(cè)框，直接獲得類似的hard的二值矢量將導(dǎo)致框架不可微(non-differentiable)。因此，我們引入了一個(gè)可微但簡(jiǎn)單的算法來獲得類似但soft的二值矢量，稱為point-in-pred-box-probability，詳情見paper Algorithm 1。  所有值都在  范圍內(nèi)，這個(gè)值越高代表點(diǎn)在框內(nèi)可能性越大，值越小則對(duì)應(yīng)點(diǎn)可能離框越遠(yuǎn)。因此，我們定義第個(gè)預(yù)測(cè)的邊界框以及第ground truth的邊界框的sIoU如下:

(3) 此外，我們還考慮了和之間的交叉熵。交叉熵傾向于得到更大且具有更高覆蓋率的邊界框: 

總結(jié)一下，指標(biāo)(1)盡可能地使學(xué)到的框與ground truth的邊界框盡可能地重合，(2)(3)用于盡可能地覆蓋更多的點(diǎn)并克服如圖5所示的不均勻性。第 個(gè)預(yù)測(cè)的邊界框與第ground truth的邊界框的最終關(guān)聯(lián)代價(jià)為：

 Loss function如何定義?

在通過邊界框關(guān)聯(lián)層之后，我們使用關(guān)聯(lián)索引矩陣  對(duì)預(yù)測(cè)邊界框 及其對(duì)應(yīng)分?jǐn)?shù)  與groundtruth進(jìn)行匹配，使得靠前的  個(gè)邊界框(ground truth的總邊界框數(shù))及與ground truth的邊界框能匹配上。

針對(duì)邊界框預(yù)測(cè)我們采用了多準(zhǔn)則損失函數(shù)，也即三者求和：

針對(duì)邊界框分?jǐn)?shù)預(yù)測(cè)我們采用了另外一個(gè)損失函數(shù)。預(yù)測(cè)框分?jǐn)?shù)旨在表征相應(yīng)預(yù)測(cè)框的有效性。在通過關(guān)聯(lián)索引矩陣 重新排序以后，我們?cè)O(shè)定前  個(gè)真實(shí)的邊界框?qū)?yīng)的分?jǐn)?shù)為1，剩余的無效的  個(gè)邊界框?qū)?yīng)的分?jǐn)?shù)為 0。我們對(duì)這個(gè)二元分類任務(wù)使用交叉熵?fù)p失

作為另外一個(gè)并行的分支，我們的方法可以采用任意現(xiàn)有的點(diǎn)云語義分割算法(比如Sparseconv, Pointnet++等等)作為對(duì)應(yīng)的語義分割模塊，整個(gè)網(wǎng)絡(luò)最終的loss function定義為

代表語義分割分支的loss，這里我們采用標(biāo)準(zhǔn)的交叉熵。網(wǎng)絡(luò)具體的優(yōu)化和求解過程我們采用Hungarian算法，詳情請(qǐng)見[8],[9]。

如何預(yù)測(cè)instance mask?

相比于bounding box prediction分支，這個(gè)分支就相對(duì)簡(jiǎn)單很多了,因?yàn)橹灰吔缈蝾A(yù)測(cè)的足夠好，這個(gè)分支就相當(dāng)于做一個(gè)二值分類問題，即便瞎猜也能有50%正確率。在這個(gè)分支中，我們將點(diǎn)的特征點(diǎn)與每個(gè)邊界框和分?jǐn)?shù)融合在一起，隨后為每一個(gè)實(shí)例預(yù)測(cè)一個(gè)點(diǎn)級(jí)別的二值mask?？紤]到背景點(diǎn)與實(shí)例點(diǎn)數(shù)的不平衡，我們采用focal loss[10] 對(duì)這個(gè)分支進(jìn)行優(yōu)化。 

圖 6. Point mask prediction分支結(jié)構(gòu)圖。

Experiments

在ScanNet(v2) benchmark上，我們的方法達(dá)到了state-of-the-art的效果，相比于3D-SIS，MASC等方法都有顯著的提升。

圖7. 我們的方法在ScanNet(V2)的結(jié)果

在Ablation study中，我們也進(jìn)一步證實(shí)了各個(gè)分支以及l(fā)oss function各個(gè)評(píng)估指標(biāo)的作用。詳細(xì)的分析見paper。

圖 8. Ablation study結(jié)果 (S3DIS, Area5）

在計(jì)算效率方面，3D-BoNet是目前速度最快的方法，相比于SGPN, ASIS, 3D-SIS等方法，3D-BoNet快了十倍以上。

圖 9. 不同方法處理ScanNet validation set所需要的時(shí)間消耗。

此外，我們還在圖10中進(jìn)一步展示了我們提出的loss function在S3DIS數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)（Area1,2,3,4,6進(jìn)行訓(xùn)練，Area 5進(jìn)行測(cè)試）的變化曲線。從圖中可以看到，我們提出的loss function能夠比較一致的收斂，從而實(shí)現(xiàn)對(duì)語義分割分支，邊界框預(yù)測(cè)分支以及point mask預(yù)測(cè)分支端到端方式的優(yōu)化。

圖10. 我們的方法在S3DIS數(shù)據(jù)集上的training loss

在圖11中我們給出了預(yù)測(cè)邊界框和邊界框分?jǐn)?shù)的可視化結(jié)果?？梢钥闯?，我們方法預(yù)測(cè)出來的框并不一定非常精準(zhǔn)和緊湊。相反，它們相對(duì)比較松弛(inclusive)并且具有比較高的目標(biāo)性(high objectness)。這也與本文一開始希望得到的大致邊界框的目標(biāo)相一致。

圖11. 我們的方法在S3DIS數(shù)據(jù)集Area 2上的預(yù)測(cè)邊界框和分?jǐn)?shù)的可視化。紅色框表示預(yù)測(cè)的邊界框，藍(lán)色的邊界框代表ground truth。

當(dāng)邊界框已經(jīng)預(yù)測(cè)好以后，預(yù)測(cè)每個(gè)框內(nèi)的point mask就容易很多了。最后我們可視化一下預(yù)測(cè)的instance mask，其中黑點(diǎn)代表屬于這個(gè)instance的概率接近為0，而帶顏色的點(diǎn)代表屬于這個(gè)instance的概率接近為1，顏色越深，概率越大。

圖12. 預(yù)測(cè)instance mask的可視化結(jié)果。輸入點(diǎn)云總共包含四個(gè)instance，也即兩個(gè)椅子，一個(gè)桌子以及地面。從左到右分別是椅子#1，椅子#2，桌子#1，地面#2的point mask.

最后總結(jié)一下，我們提出了一種基于邊界框回歸的高效點(diǎn)云實(shí)例分割算法，通過最小化匹配代價(jià)函數(shù)來實(shí)現(xiàn)大致的邊界框回歸，并通過point mask預(yù)測(cè)來實(shí)現(xiàn)最終的實(shí)例分割。我們提出的3D-BoNet不僅在ScanNet和S3DIS數(shù)據(jù)集上達(dá)到了state-of-the-art的效果，并且比現(xiàn)有其他算法更加高效。