動機

作為一種能夠直接測量深度的傳感器，其相較于Lidar存在較大的誤差，因此利用雷達本身精度難以精確地將雷達結果與單目方法的3D估計相關聯(lián)。本文提出了一種融合網(wǎng)絡RADIANT來解決雷達-攝像機關聯(lián)的挑戰(zhàn)。通過預測雷達點到真實目標中心點的3D偏移，隨后利用修正后的雷達點修正圖像預測結果，使得網(wǎng)絡在特征層和檢測層完成融合。

貢獻

通過增強毫米波點云獲得3D目標的中心位置

使用增強后的毫米波點云完成相機-雷達的檢測結果關聯(lián)

在多個單目SOTA模型中驗證了結構有效性并取得SOTA

背景&問題定義

正雷達樣本點

對于目標檢測的訓練，關鍵就是：候選點的選擇、定義正負樣本，F(xiàn)COS3D將每個像素點作為目標候選點，而正樣本點定義為GT目標中心周圍的區(qū)域內(nèi)。同樣，對于本文，我們將每個雷達反射點作為目標的候選點，將成功與目標相關聯(lián)的雷達像素點作為正樣本點。

但是，由于毫米波反射點的模糊性（存在多徑干擾）和不準確性（檢測的分辨率不高）等問題，導致反射點許多無法反映真實的目標位置框內(nèi)，同時目前的主流多模態(tài)數(shù)據(jù)集（radar+camera）沒有提供point-wise（點云級別）的標記，以上兩種原因?qū)е铝耍含F(xiàn)有的毫米波反射點無論是精度上還是標注上，都需要做一些工作。 由此，作者如此解決：

3D框內(nèi)部的點云當然歸屬于對應目標，但是對于外部點云，作者設置距離閾值將一定范圍內(nèi)的點云考慮在內(nèi)

同時為了防止誤召回，上一步召回的點云還需要再徑向速度上與分配的GT目標相差在一定范圍內(nèi)

Radar Depth Offset

z為反射點相關聯(lián)的目標深度，z_r為反射點的原始測量深度

細化動機：

單目3D檢測性能一直受到深度估計不精確問題的裹挾

毫米波雷達能提供相較相機更精確的深度，但是其稀疏性、穿透性導致其很難反映出目標真實中心，甚至出現(xiàn)幽靈點，反射點到物體中心的偏移是未知的，但是又是關鍵的，我們通常需要通過物體的中心特征回歸目標的各類屬性

預測的偏移不僅要包括深度偏移，還有image-plane的投影像素偏移，補償雷達反射點在橫向等方向上誤差

因為點云和目標匹配需要類別信息，毫米波用于分類的信息較少（無法通過形狀判斷）

網(wǎng)絡架構

整體上，作者使用“雙流”網(wǎng)絡結構，圖像、雷達分支分別使用原始FCOS3D網(wǎng)絡、引入圖像特征的輕量級FCOS3D網(wǎng)絡，在Depth Fusion結構中，通過DWN（depth weight net）對兩個head預測結果引入可學習的深度加權網(wǎng)絡，并在最后預測加權后的目標深度。

我們按照(Backbone, Neck, Heads)：分別生成圖像預測結果和點云預測結果, (Depth Fusion Modules)：修正圖像預測結果，兩個部分介紹細節(jié)：

Backbone, Neck, Heads

更進一步，對圖像分支采用原始FCOS3D網(wǎng)絡，不過多介紹。對Radar分支，輸入的是投影到image-plane的數(shù)據(jù)，其中包括深度、坐標、速度、占位掩碼（象征點云是否存在于像素中方便后面后處理），在neck部分加入了一些bottleneck瓶頸結構融合圖像和雷達數(shù)據(jù)，解決點云分類能力不足的問題。

最后就是在Head上，與圖像的各類目標屬性回歸不同，點云只在其分布的投影像素中，計算類別得分、像素偏移、深度殘差（偏移）三個屬性。最后的結果形式如下。

Depth Fusion Module

在得到heads的結果后，這部分的任務就是將兩個模態(tài)的結果融合，用radar預測的結果修正圖像預測結果：

關聯(lián)投影后的雷達反射點radar pixels（預測修正后）與圖像檢測結果

對關聯(lián)后的每個radar pixels預測深度可靠性概率

利用加權后的radar pixels，修正目標的深度，對于目標的尺度、角度等屬性不做修改，作者認為是毫米波缺少目標朝向、尺度信息

Radar-Camera Association

由上圖，我們已得到兩個Heads的輸出，我們?nèi)D像預測結果的前1000個boxes按照得分，同樣，我們也取radar預測結果中滿足置信度＞T_r的radar pixels用于融合，我們把雷達預測結果先修正：



修正后，進行關聯(lián)：匹配要滿足以下條件：首先，類別相同，其次投影像素差在一定范圍內(nèi)，最后，深度誤差在一定范圍內(nèi)，由此，完成篩選和匹配，假設兩個Heads結果分別是MN個，則復雜度為O(MN)

Depth Weighting Network

上部分完成了radar pixels的篩選和匹配，本部分進行融合 這部分采用可學習的方式，與之對比的是將匹配的radar pixels深度與圖像檢測的深度進行平均相加這種不可學習的固定方式



這個網(wǎng)絡的目的，就是判斷radar pixels是否可信，輸出可信度，用于最后的融合。 那么如何規(guī)定訓練標簽呢？

DWN預測的是每個點的置信度，DWN前向完成后，結合圖像預測和GT，給予每個點云權重標簽，用于訓練DWN，DWN僅根據(jù)點云head輸出特征、原始深度等信息預測，如果GT與radar更接近，α標記為1，反之和圖像預測的結果更接近則為0.

Fused Depth Calculation

上一步預測的radar pixels權重，這一步根據(jù)權重融合加權得到結果，Tα就是閾值，如果任意點云的深度權重閾值<閾值，則只考慮相機的預測結果

實驗

作者對融合方式做了消融實驗，其中None是不加入雷達反射點，Average代表平均反射點與圖像預測深度，DWN是作者提出的深度權重網(wǎng)絡。



由上圖，最上面的Table1，表述了從由近到遠過程中，圖像、原始雷達、修正后雷達（中間）的預測誤差，可以看到經(jīng)過offset的修正后，雷達的深度預測值在近處的修正作用占比更大。

這里不要被作者的數(shù)據(jù)嚇到，因為這是丈量雷達反射點到目標中心偏移誤差，因為雷達反射點本身就分布在非車身中心。

上圖中的Figure 4，分別代表：融合后目標深度預測值和雷達反射點之間的偏差，GT目標深度和雷達反射點之間的偏差，兩者的偏差分布整體是相似的，預測結果的偏差分布更加均勻。



Table2是NuScenes數(shù)據(jù)集上的實驗結果對比，作者基于FOCOS3D, PGD兩類單目檢測模型改進，都得到了較大的提升，提升體現(xiàn)在mATE，AP兩個數(shù)據(jù)指標上。同時，相比經(jīng)典的centerfusion，也有較大的提升。



Figure 5中，分散的反射點通過預測offset，集中于目標的中心，目標的深度也得到了進一步的修正。

簡單總結：

作者提出的這種關聯(lián)、更新方式，有效改善了單目單幀的目標深度預測能力，提出了細粒度更高的標記NuScenes毫米波點云的一種方式

根據(jù)具體場景，根據(jù)傳感器特性，在feature-level和decision-level上多方式非對稱融合往往更加有效

作者基于image-plane，選擇的投影方式導致了點云偏移預測受限于特征提取方式，事實上雷達點云投影存在遮擋，同時點云稀疏，將其投影到image-plane上導致原本形狀進一步丟失，進一步加劇了數(shù)據(jù)的稀疏性

作者只通過radar改善了目標的位置性能和平均精度，事實上目標的RCS等信息對于其他屬性仍然有一定修正作用

審核編輯：劉清