SurroundOcc：環視三維佔據柵格新SOTA！

在這個工作中，我們透過多幀點雲建構了稠密佔據柵格資料集，並設計了基於transformer的2D-3D Unet結構的三維佔據柵格網路。很榮幸地，我們的文章被ICCV 2023收錄，目前專案代碼已開源，歡迎大家試用。

arXiv：https://arxiv.org/pdf/2303.09551.pdf

程式碼：https://github.com/weiyithu/SurroundOcc

主頁連結：https://weiyithu.github.io/SurroundOcc/

最近一直在瘋狂找工作，沒有閒下來寫，正好最近提交了camera-ready，作為一個工作的收尾覺得還是寫個知乎總結下。其實文章部分的介紹各個公眾號寫的已經很好了，也感謝他們的宣傳，大家可以直接參考自動駕駛之心的自動駕駛之心：nuScenes SOTA！ SurroundOcc：面向自動駕駛的純視覺3D佔據預測網（清華&天大）。總的來說，contribution分為兩塊，一部分是如何利用多幀的lidar點雲來建構稠密occupancy資料集，另一部分是如何設計occupancy預測的網路。其實兩部分的內容都比較直接易懂，大家有哪塊不懂的也可以隨時問我。那麼這篇文章我想講點論文以外的事情，一個是如何改進當前方案使其更易於部署，另一個是未來的發展方向。

部署

#一個網路是否容易部署，主要看其中有沒有比較難在板端實現的算子，SurroundOcc這個方法比較難搞的兩個算子是transformer層以及3D卷積。

transformer的主要作用是將2D feature轉換到3D空間，那麼其實這部分也可以用LSS，Homography甚至mlp來實現，所以可以根據已實現的方案去修改這部分的網絡。但據我所知，transformer的方案在幾個方案裡對calibration不敏感且效能也比較好，建議有能力實現transformer部署的還是利用原有方案。

對於3D卷積來說，可以將其替換成2D卷積，這裡需要將原來(C, H, W, Z) 的3D feature reshape成（C* Z, H, W）的2D feature，然後就可以用2D卷積進行特徵提取了，在最後occupancy預測那步再把它reshape回(C, H, W, Z)，並進行監督。另一方面，skip connection由於解析度比較大所以比較吃顯存，部署的時候可以去掉只留最小解析度那一層。我們實驗發現3D卷積中的這兩個操作在nuscenes上都會有些許掉點，但業界資料集規模要遠大於nuscenes，有時候有些結論也會改變，掉點應該會少甚至不掉。

在資料集建置方面，最耗時的一步就是泊松重建。我們使用的是nuscenes資料集，其中採用了32線雷射雷達進行採集。即使使用了多幀拼接技術，我們發現拼接後的點雲仍然存在許多洞。因此，我們採用了泊松重建來填補這些洞。然而，目前業界使用的許多光達點雲都比較密集，例如M1、RS128等。因此，在這種情況下，可以省略泊松重建這一步，以加快資料集建構的速度

另一方面，SurroundOcc裡是利用nuscenes中標註好的三維目標偵測框將靜態場景和動態物體分離的。但在實際應用過程中，可以利用autolabel，也就是三維目標偵測&追蹤大模型去得到每個物體在整個sequence中的偵測框。相較於人工標註的label，利用大模型跑出來的結果一定會存在一些誤差，最直接的體現就是多幀的物體拼接後會有重影的現象。但其實occupancy對於物體形狀的要求沒有那麼高，只要偵測框位置比較準就能滿足需求。

未來方向

目前方法還是比較依賴lidar提供occupancy的監督訊號的，但很多車上，尤其是一些低階輔助駕駛的車上沒有lidar，這些車透過shadow模式可以傳回大量的RGB數據，那麼一個未來方向就是能不能只利用RGB進行自我監督學習。一個自然的解決想法就是利用NeRF來監督，具體來說，前面backbone部分不變，得到一個occupancy的預測，然後利用體素渲染得到每個相機視角下的RGB，和訓練集中的真值RGB做loss形成監督訊號。但可惜的是這套straightforward的方法我們試了試並不是很work，可能的原因是戶外場景range太大，nerf可能hold不住，但也可能我們沒有調好，大家也可以再試。

另一個方向是時序&occupancy flow。其實occupancy flow對於下游任務的用途遠比單幀occupancy大。 ICCV的時候來不及整occupancy flow的資料集，發paper的話還要對比很多flow的baseline，所以當時就沒搞這塊。時序網路可以參考BEVFormer和BEVDet4D的方案，比較簡單有效。困難的地方還是flow資料集這一部分，一般的物體可以用sequence的三維目標偵測框算出來，但異型物體例如小動物塑膠袋等，可能需要藉助場景流的方法來標註。

需要進行改寫的內容是：原文連結：https://mp.weixin.qq.com/s/_crun60B_lOz6_maR0Wyug

以上是SurroundOcc：環視三維佔據柵格新SOTA！的詳細內容。更多資訊請關注PHP中文網其他相關文章！