LSS算法核心原理详细解读，一看就懂，不懂请打我！

目录

• • 核心
  • 整体流程
  • 分步阐述
  • • backbone
    • 几何关系（创建视锥）和视锥投影到ego
    • Voxel Pooling
    • Head
  • 总结

核心

• 将2D图像特征转换到BEV feature特征

• 该算法是BEV领域中的一大基石

整体流程

• 流程步骤

  • （1）利用backbone获得环视图像（6张图片）的特征；

  • （2）利用几何关系创建每张图片的视锥；

  • （3）利用相机的内外参，将视锥点云投影到ego坐标系下；

  • （4）利用voxel pooling 将环视图像特征转换为BEV特征；

  • （5）BEV encoder 对特征进一步融合，添加network head获得任务结果

• 整体流程的示意图如下所示

分步阐述

backbone

• 使用EfficientNet网络作为backbone，提取每张图片中的深度特征D=41，语义特征C=61

• 特征图获取流程

  • 使用EfficientNet-b0获得特征图：24 x 512 x 8 x 22

    • 24：B x N -> B=4，N=6 -> 考虑前面3帧和当前帧图像；6张图片（从该部分看相机的数量只能为6，除非重新训练）

    • fH：8；fW：22

  • 利用1 x 1卷积将特征图的通道数变为512->105（64+41），24 x 105 x 8 x 22

    • 105个特征通道中前64个通道为语义通道，后41个通道为深度通道

    • 该部分网络进行了深度估计，通过训练所得

  • 取出后41个特征通道（深度通道），进行softmax概率估计

  • 利用广播机制，将语义通道24 x 64 x 1 x 8 x 22 与深度通道24 x 1 x 41 x 8 x 22进行外积，最终获得24 x 64 x 41 x 8 x 22特征图

    • 取出上述某一帧中一张图片的特征图：64 x 41 x 8 x 22，其中的每个特征点的维度为 64 x 41

      • 如果该特征点的表征为3m距离的狗，则64个语义通道内，表示狗的语义通道的值最大；3m对应的深度通道距离最大。两个通道利用广播的机制相乘，最大的通道即可表示为3m距离的狗

      • 广播机制如下所示，c x a 获得Matirx_(c x a)，可以通过该方式获得最大的通道
        

几何关系（创建视锥）和视锥投影到ego

• 总体流程：像素视锥点->剔除图像增强矩阵的影响->生成camera坐标系下的三维视锥点->将视锥点投影到ego坐标系下

• 像素视锥点（u,v,d）的选择：

  • 由于最终的特征图尺寸为：8 x 22，则在原始图像上将图片分为8 x 22个图片块（patch）

  • 将每个图像块的顶点 + 预设深度（4~45m），即可完成视锥点的构建，形状为D x fH x fW x 3

  • 下图所示，第一列为x坐标、第二列为y坐标，第三列为预设深度值
    

  • 代码如下所示：

• 剔除增强矩阵的影响

  • 目的：例如，可消除图片旋转的影响

  • 利用下列公式消除图像增强的像素视锥的影响
    $$p_{img}^{{}^{\prime }}=A^{-1}{p}_{img}$$

• 获得camera坐标系下视锥点的坐标：

  • 利用下列公式，最终才能获得三维坐标系下的视锥点（形状如视锥）
    $$p_{cam}=I^{-1}(p_{img}\ast d)$$
    

• 将camera坐标系下的视锥点转换到ego坐标系

  • 利用camera->ego的TF变换关系能够直接获得，略

  • 最终获得的视锥点形状为：B x N x D x H x W x 3

Voxel Pooling

• 目的：将环视图像特征转换为BEV特征

• 已有图像特征：B x N x D x H x W x C；视锥点：B x N x D x H x W x 3

  • 将图像特征铺开，变为（B x N x D x H x W） x C；将视锥点铺开，变为（B x N x D x H x W） x 3。此时，视锥点与图像特征一一对应，可通过训练获得该内在联系

  • 将视锥点分配到预设的BEV网格内，获得栅格坐标。如下公式所示，其中bx：第一个网格的中心点；dx：每个网格的宽度；gemoFeats为视锥点。

    • 由于计算栅格坐标时，是取整操作（int），所以存在某几个视锥点位于一个栅格网格内
    • 由于预设的xyz范围为[-50, 50]、[-50, 50]、[-10, 10]，所以可剔除超出该范围的视锥点。同时，也剔除对应的图像特征点

$$gemoFeat=gemoFeat-(bx-dx/2)/dx$$

• 将一个栅格内多个视锥点对应的特征点进行sum pooling，也就是将落在同一个栅格内的多个特征点进行相加操作

  • 由于特征点的shape大小不一，无法进行批量操作，需要使用如下代码部分进行操作，但实现的效果如上所示。

  • 论文中，经过sum pooling后，图像特征的shape为：17375 x 64

• 将图像特征按照对应视锥点的位置（即BEV栅格的位置）填入BEV特征图中，获得最终的BEV特征图

  • BEV栅格的索引位置远大于图像特征数量

Head

• 依据不同的任务添加不同的Head即可，略

总结

• LSS算法通过相机内外参显式的获取图像深度。其中，生成视锥点、图像特征转换到BEV特征的思想值得深究

• 不足

  • 没有考虑相邻环视图像的特征，图像特征分散获取

  • 图像特征重叠时，使用sum pooling的方式，太过简单、粗暴