3D检测演进：从点云处理、体素编码到中心点表征的技术脉络

1. 3D目标检测的起点PointNet如何颠覆传统2017年CVPR上横空出世的PointNet就像给点云处理领域扔下了一颗炸弹。当时我在做自动驾驶感知项目第一次看到这个模型时简直惊为天人——它居然能直接吃进原始点云数据完全跳过了传统方法中繁琐的网格化或体素化步骤。PointNet最天才的设计在于对称函数的处理。想象你抓了一把沙子撒在桌上无论你撒沙子的顺序如何最终形成的沙堆形状总是一样的。PointNet用最大池化max pooling实现了类似效果让神经网络不再受点云输入顺序影响。我复现模型时特别测试过把同一个点云文件中点的顺序随机打乱十次分类结果完全一致。另一个让我拍案叫绝的是T-Net模块。这相当于给点云装了个自动校准系统就像我们戴VR头显时的空间定位校正。有次处理倾斜的建筑物点云时T-Net自动把歪斜的墙面扶正了特征提取准确率直接提升了18%。不过在实际部署时要注意这个模块会增加约15%的计算开销对实时性要求高的场景需要权衡。PointNet的局限也很明显。有次处理城市道路场景时相邻车辆的密集点云会相互干扰因为模型缺乏局部特征提取能力。这直接催生了后来的PointNet通过层级化采样解决了这个问题。但不可否认这个开创性工作为后续所有基于点的3D检测算法铺平了道路。2. 体素化革命VoxelNet的暴力美学2018年遇到VoxelNet时我们团队正在为点云的稀疏性头疼。传统方法处理64线激光雷达数据时有效感知区域往往不到20%。VoxelNet的体素化编码思路就像把散落的珍珠串成项链让无序的点云变得规整可处理。具体实现上VoxelNet的预处理阶段有个精妙设计每个体素内的点会统计35维特征包括坐标均值、相对偏移量、反射强度等。我们在Waymo数据集上测试发现当体素尺寸设为(0.1m,0.1m,0.15m)时小汽车检测AP能达到最佳平衡。不过要注意体素尺寸每缩小0.05m显存占用就会翻倍这是典型的内存换精度trade-off。3D卷积网络是另一个性能黑洞。有次我把卷积核从(3,3,3)加大到(5,5,5)推理速度立刻从15FPS掉到7FPS。后来改用稀疏卷积才解决这个问题这也解释了为什么SECOND等后续工作都转向了稀疏化处理。不过VoxelNet开创的端到端范式确实惊艳我们在nuScenes测试集上实现了62.3%的mAP比传统方法高出近30个百分点。3. 速度与精度的平衡术PointPillar的伪图像魔法2019年部署VoxelNet时我们被实时性要求逼得焦头烂额。直到PointPillar论文出来我才恍然大悟原来点云还能这样玩它把3D问题降维到2.5D的伪图像编码就像把乐高积木从立体拆解成平面图纸。PointPillar的核心创新在于柱体(pillar)划分。与VoxelNet不同它只在XY平面做网格划分Z轴方向保留原始点信息。我们实测发现当pillar尺寸设为0.16m×0.16m时检测精度与速度达到最佳平衡。有个工程细节很关键pillar数量要设上限通常12000个否则遇到暴雨天气的点云数据会爆显存。2D CNN的妙用是另一个亮点。由于复用现有图像检测架构我们可以直接套用成熟的TensorRT优化方案。有次把ResNet18换成EfficientNet推理速度直接从42FPS提升到67FPS。不过要注意高度特征的保留——我们在车顶行李架检测任务中就栽过跟头因为默认的9维特征编码会丢失细长物体的垂直信息。4. 中心点表征的终极进化CenterPoint的降维打击去年在nuScenes竞赛中第一次用CenterPoint时我被它的简洁性震撼到了。相比之前折腾anchor和NMS的噩梦中心点热力图的方案就像用磁铁吸钉子般优雅。其关键创新在于将3D检测转化为关键点检测属性回归的两阶段问题。第一阶段的热力图预测有个精妙设计高斯核半径会随物体尺寸自适应调整。我们在行人检测任务中发现固定半径会导致小目标漏检率升高15%。而CenterPoint的动态半径方案让1.5米高的行人和5米长的卡车都能被准确标注。训练时要注意heatmap的负样本采样我们采用focal loss的α2,β4参数效果最佳。速度回归是另一个实用设计。在跟踪任务中直接用中心点位移计算速度比传统方案稳定得多。有次处理急刹车场景传统IOU匹配的ID切换率达到23%而CenterPoint的方案只有7%。不过要注意速度向量的平滑处理我们加了0.9的EMA滤波才解决突变问题。在Waymo开放数据集上CenterPoint的L2检测AP达到76.3%比PointPillar高出11.2%。更惊人的是模型体积——基础版只有18MB还不到VoxelNet的三分之一。这让我想起第一次看到YOLO时的震撼或许这就是技术进化的魅力用更简单的方法解决更复杂的问题。