arXiv論文“Graph-DETR3D: Rethinking Overlapping Regions for Multi-View 3D Object Detection“，22年6月，中科大、哈工大和商湯科技的工作。

從多個圖像視圖中檢測3-D目標是視覺場景理解的一項基本而富有挑戰性的任務。由于其低成本和高效率，多視圖3-D目標檢測顯示出了廣闊的應用前景。然而，由于缺乏深度信息，通過3-D空間中的透視圖去精確檢測目標，極其困難。最近，DETR3D引入一種新的3D-2D query范式，用于聚合多視圖圖像以進行3D目標檢測，并實現了最先進的性能。

本文通過密集的引導性實驗，量化了位于不同區域的目標，并發現“截斷實例”（即每個圖像的邊界區域）是阻礙DETR3D性能的主要瓶頸。盡管在重疊區域中合并來自兩個相鄰視圖的多個特征，但DETR3D仍然存在特征聚合不足的問題，因此錯過了充分提高檢測性能的機會。

為了解決這個問題，提出Graph-DETR3D，通過圖結構學習（GSL）自動聚合多視圖圖像信息。在每個目標查詢和2-D特征圖之間構建一個動態3D圖，以增強目標表示，尤其是在邊界區域。此外，Graph-DETR3D得益于一種新的深度不變（depth-invariant）多尺度訓練策略，其通過同時縮放圖像大小和目標深度來保持視覺深度的一致性。

Graph-DETR3D的不同在于兩點，如圖所示：（1）動態圖特征的聚合模塊；（2）深度不變的多尺度訓練策略。它遵循DETR3D的基本結構，由三個組件組成：圖像編碼器、transformer解碼器和目標預測頭。給定一組圖像I={I1，I2，…，IK}（由N個周視攝像機捕捉），Graph-DETR3D旨在預測感興趣邊框的定位和類別。首先用圖像編碼器（包括ResNet和FPN）將這些圖像變成一組相對L個特征圖級的特征F。然后，構建一個動態3-D圖，通過動態圖特征聚合（dynamic graph feature aggregation，DGFA）模塊廣泛聚合2-D信息，優化目標查詢的表示。最后，利用增強的目標查詢輸出最終預測。

如圖顯示動態圖特征聚合（DFGA）過程：首先為每個目標查詢構造一個可學習的3-D圖，然后從2-D圖像平面采樣特征。最后，通過圖連接（graph connections）增強了目標查詢的表示。這種相互連接的消息傳播（message propagation）方案支持對圖結構構造和特征增強的迭代細化方案。

多尺度訓練是2D和3D目標檢測任務中常用的數據增強策略，經證明有效且推理成本低。然而，它很少出現在基于視覺的3-D檢測方法中?？紤]到不同輸入圖像大小可以提高模型的魯棒性，同時調整圖像大小和修改攝像機內參來實現普通多尺度訓練策略。

一個有趣的現象是，最終的性能急劇下降。通過仔細分析輸入數據，發現簡單地重新縮放圖像會導致透視-多義問題：當目標調整到較大/較小的比例時，其絕對屬性（即目標的大小、到ego point的距離）不會改變。

作為一個具體示例，如圖顯示這個多義問題：盡管（a）和（b）中所選區域的絕對3D位置相同，但圖像像素的數量不同。深度預測網絡傾向于基于圖像的占用面積來估計深度。因此，圖中的這種訓練模式可能會讓深度預測模型糊涂，并進一步惡化最終性能。

為此從像素透視重新計算深度。算法偽代碼如下：

如下是解碼操作：

重新計算的像素大小是：

假設尺度因子r = rx = ry，則簡化得到：

實驗結果如下：

注：DI = Depth-Invariant