0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

解决由激光雷达线数差异导致的三维目标检测域适应问题

倩倩 来源:CVer 作者:韦祎 2022-08-31 14:21 次阅读

本文是对我们ECCV 2022被接收的文章LiDAR Distillation: Bridging the Beam-Induced Domain Gap for 3D Object Detection的介绍。在这个工作中,我们通过构建伪低线数点云,利用知识蒸馏方法,来减小由激光雷达线数域差异导致的模型性能下降问题。很荣幸地,我们的文章被ECCV 2022收录,目前项目代码已开源,欢迎大家试用。

e8de29a2-28eb-11ed-ba43-dac502259ad0.jpg

arXiv:https://arxiv.org/abs/2203.14956

Code(已开源):

https://github.com/weiyithu/LiDAR-Distillation

概述

近年来随着人工智能的发展,自动驾驶技术开始逐步落地,广泛应用在无人机,清洁机器人,无人配送小车等无人系统中。而三维目标检测是自动驾驶技术中的重要一环,是三维环境感知的基础,其目的是检测出三维空间中每个物体的三维紧致框。相较于基于图像的纯视觉算法,基于点云三维目标检测方法精度更高,可以提供更加准确的三维位置,是现阶段高阶自动驾驶使用的方案。

激光雷达虽然可以提供准确的三维信息,但价格也是昂贵的,尤其是高线数激光雷达。因此在一些较低成本的产品中,例如清洁机器人和无人配送车,无法部署高线数雷达。然而现有公开数据集大部分都是用高线数雷达采集的,这中间存在着线数导致的域差异问题会使得我们无法很好地利用这些大型的公开数据集。除此之外,与RGB相机不同,激光雷达产品更新迭代较快,不同类型的激光雷达线数也会是不同的。对于每一代产品都去重新采集数据集是非常费时费力,不切合实际的。因此如何更好地利用之前采集的高线数数据集是个值得探究的问题。

同时,我们发现之前的一些算法大部分都是为了通用域适应问题设计的(例如ST3D),但面对训练集是高线数点云,测试集是低线数点云的场景,这些算法不能很好地处理。为了解决这个问题,我们提出了LiDAR Distillation。我们方法的核心是对源域高线数数据进行下采样得到伪低线数点云,与目标域线数对齐。以在高线数点云数据集上训练得到的三维目标检测器作为教师网络,在伪低线数点云数据集上训练得到的三维目标检测器作为学生网络,进行离线知识蒸馏算法,提升学生网络精度。由于下采样过程是逐步进行的,整个框架是迭代框架。在Waymo->nuScenes上的实验结果表明,我们的方法超过了当前最好方法的性能,并且我们的方法可以很好地与其它通用域适应方法进行结合,在推理过程中不增加任何计算量。

方法

e8fc6a20-28eb-11ed-ba43-dac502259ad0.jpg

1)生成低线数伪点云数据

为了对齐源域和目标域的点云线数(假设源域和目标域线数分别为Bs和Bt),我们首先需要对源域的高线数数据进行下采样。与一般的点云下采样方法不同,我们不能对点云进行均匀的采样,而是需要按照每条线进行采样。因此,我们首先需要将一个场景的点云中的每个点归类到每条线中。虽然有一些公开数据集中的数据有线束的标注,但很多激光雷达点云数据(例如KITTI)并没有这个信息,我们需要自己设计算法分离出每条线上的点。我们将每个点的笛卡尔坐标转换成球坐标:

e926aa88-28eb-11ed-ba43-dac502259ad0.png

e9349a12-28eb-11ed-ba43-dac502259ad0.png

2)利用高线数点云数据进行知识蒸馏

知识蒸馏框架中包含两个模型:教师网络和学生网络。一般而言,教师网络拥有更多的参数量和更强的表示能力,可以达到更好的性能;而学生网络模型更小,推理速度更快,能更好地用在存算资源受限的设备中。学生网络通过模仿教师网络的特征来提升自身的性能。与传统知识蒸馏方法不同的是,在我们的方法中,教师网络和学生网络的结构相同,唯一区别在于教师网络是在高线数数据上训练得到的,而学生网络是在低线数数据上训练所得。因此我们利用知识蒸馏的目的是将高线数点云中的丰富信息量传递给学生网络。

我们注意到大部分三维目标检测框架都会将三维特征投影到二维鸟瞰图(BEV)上,得到BEV特征。因此我们将BEV特征作为模仿目标。之前工作相关研究结果表明,由于特征图维度非常高,直接回归高维向量容易导致网络不收敛。除此之外,特征图存在很多低响应区域,这部分的特征往往是不重要的。为了解决这个问题,我们提取BEV特征图中的感兴趣区域(ROI)并在这些区域上执行模仿操作。整体目标函数如下:

e95b4982-28eb-11ed-ba43-dac502259ad0.png

3)渐进式知识蒸馏

我们发现当高线数数据和低线数数据之间的线数差异过大时(例如64线和16线),学生网络无法很好地向教师网络进行学习。我们提出渐进式知识蒸馏框架,逐步进行蒸馏学习。以64线数据到16线数据为例,我们首先生成伪32线数据,并在上面训练得到学生模型。紧接着,我们生成伪16线数据,并以上一步得到的学生模型作为教师网络。在伪16线数据上得到的学生网络作为最终结果在目标域的16线数据上进行推理。

实验结果

1) Waymo->nuScenes实验

e97ef40e-28eb-11ed-ba43-dac502259ad0.jpg

需要注意的是虽然Waymo数据集是64线数据,nuScenes是32线数据,但由于nuScene垂直视场角是Waymo的一半,因此其等效线数为16线。尽管我们的方法仅仅是为了由线数不同导致的域差异问题而设计的,没有考虑其它域差异因素,我们的方法仍然达到了SOTA的性能。并且,由于我们的方法没有用到目标域的训练数据,我们的方法很容易与其它方法进行互补结合(例如ST3D),达到更好的效果。

2)KITTI实验

e99b95e6-28eb-11ed-ba43-dac502259ad0.jpg

为了排除源域和目标域其它域差异因素的干扰,我们在KITTI上进行了实验。在这个实验中,点云线数不同是源域和目标域唯一的差别,其实这个设置更贴合真正的业界应用。换句话说,虽然产品更新导致了激光雷达线数变化,但使用场景并没有改变。但很可惜的是,学界并没有在同一场景用不同线数雷达采集的数据集。因此我们只能将64线KITTI数据分别下采样到多种低线数作为目标域。

3)预训练实验

e9c127fc-28eb-11ed-ba43-dac502259ad0.jpg

对于公司而言,他们愿意标一些源域的数据。因此我们也做了用我们方法在源域上进行预训练,然后在目标域上进行微调的实验。我们发现仅使用5%的目标域有标签数据,我们方法得到的模型性能就可以超过没有预训练直接用100%目标域数据进行训练得到模型的性能。

方法不足与未来展望

我们的方法是在BEV特征上进行知识蒸馏的,但很显然这不是最优解,尤其是对于不是很依赖BEV特征的网络而言,最近也出了不少三维目标检测知识蒸馏的文章,这些方法值得借鉴。另一方面,现在的公开数据集基本上用的都是用机械式激光雷达采集的。而由于成本原因,现在越来越多的厂家选用固态或者混合固态的激光雷达,这些雷达中的线数概念与机械式的不同,因此如何在这些雷达中缓解域差异问题是一个不错的未来方向。

审核编辑 :李倩

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 人工智能
    +关注

    关注

    1789

    文章

    46545

    浏览量

    236825
  • 激光雷达
    +关注

    关注

    967

    文章

    3907

    浏览量

    189323
  • 点云
    +关注

    关注

    0

    文章

    58

    浏览量

    3774

原文标题:ECCV 2022 | LiDAR Distillation: 解决由激光雷达线数差异导致的三维目标检测域适应问题

文章出处:【微信号:CVer,微信公众号:CVer】欢迎添加关注!文章转载请注明出处。

收藏 人收藏

    评论

    相关推荐

    激光雷达技术的基于深度学习的进步

    一、激光雷达技术概述 激光雷达技术是一种基于激光的遥感技术,通过发射激光脉冲并接收反射回来的光来测量物体的距离和速度。与传统的雷达技术相比,
    的头像 发表于 10-27 10:57 207次阅读

    激光雷达在农业中的创新应用

    生长的详细三维信息,这对于作物监测和管理至关重要。通过分析作物的冠层结构,农民可以评估作物的健康状况、生长速度和产量潜力。例如,激光雷达可以检测到作物密度的变化,这可能表明病虫害或营养缺乏的问题。 2. 土地测绘与规划 在农业
    的头像 发表于 10-27 10:54 191次阅读

    LIDAR激光雷达逆向建模能用到revit当中吗

    LIDAR激光雷达逆向建模是一种利用激光雷达技术获取物体表面数据,然后通过计算机软件进行建模的方法。在建筑行业中,这种方法可以用于建筑物的三维建模、结构分析、施工模拟等。Revit是一款专业的建筑
    的头像 发表于 08-29 17:23 376次阅读

    光学雷达激光雷达的区别是什么

    光学雷达激光雷达是两种不同的遥感技术,它们在原理、应用、优缺点等方面都存在一定的差异。以下是对光学雷达激光雷达的比较: 定义和原理 光学
    的头像 发表于 08-29 17:20 814次阅读

    爱普生IMU产品在激光雷达测绘中的应用

    随着雷达应用的快速发展,激光雷达测绘技术也迅速发展,它集成了激光测距系统、全球定位系统(GPS)和惯性导航系统种技术于一体。其中激光雷达
    的头像 发表于 06-26 10:51 352次阅读
    爱普生IMU产品在<b class='flag-5'>激光雷达</b>测绘中的应用

    激光距离选通三维成像技术研究进展综述

    随着人工智能(AI)时代的到来,同时获得反映目标辐射特性和纹理特征的高分辨率强度图像以及反映目标和所处场景的三维空间信息的稠密点云数据/三维图像的
    的头像 发表于 05-28 10:26 2678次阅读
    <b class='flag-5'>激光</b>距离选通<b class='flag-5'>三维</b>成像技术研究进展综述

    单光子激光雷达技术发展现状与趋势综述

    三维成像探测领域,主动式激光雷达被广泛应用于航空航天、自动驾驶、三维建模和环境监测等领域。
    的头像 发表于 05-23 09:30 1494次阅读
    单光子<b class='flag-5'>激光雷达</b>技术发展现状与趋势综述

    三维雷达在煤堆检测中的具体应用和优势

    三维雷达在煤堆检测中具有显著的优势和应用价值。以下是三维雷达在煤堆检测中的具体应用和优势: 原理
    的头像 发表于 05-22 10:05 310次阅读
    <b class='flag-5'>三维</b><b class='flag-5'>雷达</b>在煤堆<b class='flag-5'>检测</b>中的具体应用和优势

    黑科技来袭!激光雷达在线监测装置,让输电线路运无忧

    输电线路激光雷达在线监测装置利用激光雷达扫描输电线路通道环境,获取线路三维点云数据,通过对点云数据的处理和分析,建立输电视场三维模型,可以实时监测线路及周边的状态变化,结合AI摄像机,
    的头像 发表于 05-17 10:19 497次阅读

    华为详细解读激光雷达

    来源:华为智能汽车解决方案,谢谢 编辑:感知芯视界 Link 激光雷达(LiDAR)作为智能驾驶系统的核心传感器,其三维环境重建能力为车辆提供了丰富而精确的环境信息,主动发光,不受黑夜光照条件
    的头像 发表于 03-15 10:19 571次阅读

    512线激光雷达还不是尽头,1024线激光雷达早在两年前已经推出?

    电子发烧友网报道(文/梁浩斌)从4线的法雷奥Scala 1到华为192线,车载激光雷达随着ADAS的需求在不断提高线。在刚刚收官的CES
    的头像 发表于 01-22 06:58 8324次阅读
    512<b class='flag-5'>线</b><b class='flag-5'>激光雷达</b>还不是尽头,1024<b class='flag-5'>线</b><b class='flag-5'>激光雷达</b>早在两年前已经推出?

    从4线到192线激光雷达“等效线”能反映真实水平吗

    的结果,那么就能够根据这些测距结果得出这个高度上的平面空间深度信息。   那么如何获取三维空间内的深度信息?   一种方式是采用逐行扫描,比如用单线的激光雷达,每转一圈就将激光模组的角度改变一度,那么经过多次扫描之后
    的头像 发表于 01-10 01:15 8016次阅读

    偏振成像激光雷达与短波红外复合光学接收系统设计与分析介绍

    三维成像激光雷达因具备主动照明、角度分辨率高、可探测距离信息等优势,被视为是被动遥感和微波雷达后的下一代技术产品,与传统被动传感器成像及微波雷达相比,
    的头像 发表于 01-05 10:29 1324次阅读
    偏振成像<b class='flag-5'>激光雷达</b>与短波红外复合光学接收系统设计与分析介绍

    什么是激光雷达激光雷达的构成与分类

    所谓雷达,就是用电磁波探测目标的电子设备。激光雷达(LightDetectionAndRanging,简称"LiDAR"),顾名思义就是以激光来探测
    的头像 发表于 12-18 17:18 9132次阅读
    什么是<b class='flag-5'>激光雷达</b>?<b class='flag-5'>激光雷达</b>的构成与分类

    单线激光雷达和多线激光雷达区别

    单线激光雷达和多线激光雷达区别  单线激光雷达和多线激光雷达是两种常用的
    的头像 发表于 12-07 15:48 4105次阅读