給自動駕駛AI搞個“外掛”，0.1M就能顯著提升運動狀態判別力，來自港大&TCL

只需“100K大小的外掛”，就能讓自動駕駛AI識別“物體運動狀態”的能力大幅上升！

這是一項來自香港大學計算機視覺與機器智能實驗室（CVMI Lab）和TCL AI Lab的新研究，目前論文已被CVPR 2023收錄。

研究提出了一種叫做MarS3D的輕量級模型，給原本只能識別物體“是什么”的語義分割模型用上后，就能讓它們進一步學會識別這些物體“是否在動”。

而且是任意主流模型即插即用，幾乎不需要額外的計算量（推理時間只增加不到0.03秒），目前已開源。

要知道，對于靠激光雷達來判斷周圍環境的自動駕駛系統而言，其感知能力，很大程度上依賴于3D點云語義分割模型的準確率和效率。

如果想提升模型識別“運動物體”的能力，往往需要將繁重的室外多幀點云數據分別進行特征提取和處理，但這種方法不僅要增加大量計算，識別性能也沒提升多少，屬實是事倍功半。

相比之下，MarS3D參數量只有約100K大小，卻能將主流點云分割模型的性能提升近5%。

這究竟是怎么做到的？

首先要了解一下3D點云的兩種語義分割任務，單掃描（single-scan）和多掃描（multi-scan）。

這兩種方法的核心差異，在于能否區分物體的運動狀態。

單掃描任務只需要根據單幀點云，把場景中汽車、行人、道路等語義信息分割并標注出來。像下圖，不同的顏色代表不同的物體，如藍色的點云代表車：

多掃描任務，則需要根據時序上的多幀點云，同時分割語義信息和運動狀態。

換言之，不僅要學會區分汽車、行人、道路，還得識別這些物體是否在運動。如汽車標簽擴展成“運動的車”和“不動的車”，以及行人擴展成“運動的行人”和“不動的行人”：

目前，自動駕駛做激光雷達點云數據的處理，主要還是通過單掃描語義分割方法。

雖然能通過擴展標簽、融合點云數據，直接將單掃描模型訓練成多掃描模型，從而讓AI掌握識別物體運動狀態的能力，但存在兩個問題：

一個是性能收效一般；另一個是融合點云數據量大，導致這種模型復雜、計算時間長，而這正是“爭分奪秒”的自動駕駛系統無法接受的。

為了解決這兩個問題，讓語義分割模型又快又好地掌握識別“運動物體”的方法，MarS3D橫空出世。

即使之前模型只能做單掃描語義分割，給它加個MarS3D后，不僅能大幅提升多掃描語義分割能力，區分物體“是否在運動”，效果還比其他多掃描方法更好。

所以，MarS3D的核心思路是什么？

具體來說，模型設計了一個基于2D CNN網絡的分支BEV Branch，這個模型能提取點云數據轉換的BEV（Bird’s Eye View）表征，即自上而下的鳥瞰視角。

之所以選用BEV，主要有兩個原因。

一方面，目前的運動物體基本都是在地上跑（即使在空中飛，也幾乎不存在垂直上升的情況），也就是說，幾乎所有的運動都在水平面上有位移，因此它能很好地反映物體在絕大部分場景中的運動狀態；

另一方面，BEV相比點云數據量更小，還能通過參考幀和特征圖相減，降低點云稀疏性帶來表征不穩定的問題，即同樣靜態區域的表征近似，含有動態物體區域的表征距離更遠。此外，多尺寸卷積對表征抽取特征圖，以保證模型對不同運動速度的物體都有很強感知力。

隨后，將這個分支提取的運動狀態信息特征、和其他被時序嵌入向量增強的單掃描任務模型分支3D Branch提取的語義信息特征結合起來，進行特征融合，最終實現語義分割。

那么，這樣實現的3D點云語義分割，效果究竟怎么樣？

相比和其他輸入如RGB圖像進行結合，論文重點測試了模型針對純點云輸入的分割效果。

從下表可見，對于SemanticKITTI數據集，在目前主流的單掃描點云分割模型如SPVCNN、SparseConv和MinkUNet上，MarS3D在只給模型增加0.1M的情況下（參數量增加不到0.5%），將性能（mIoU）分別提升了4.96%、5.65%和6.24%。

同時，計算時間（延遲）只增加了19ms、14ms和28ms。

5%對于模型分割性能提升有多顯著？下圖是在兩個掃描場景中，模型增加MarS3D前和增加后的效果對比，其中左圖是增加前，中間是增加后，右邊是真實值：

顯然，增加MarS3D后模型識別物體的效果要更好。

直接將分割效果和真實值對比，可見增加MarS3D后的“錯誤值”，比增加前要低不少：

整個推理過程，只需要一塊英偉達GeForce RTX 3090 GPU就能搞定。

對MarS3D感興趣的小伙伴們，可以去試試了~

項目地址

https://github.com/CVMI-Lab/MarS3D

論文地址

https://arxiv.org/abs/2307.09316

本文來自微信公眾號“量子位”（ID:QbitAI），作者：蕭簫，36氪經授權發布。