【3D 目标检测】Voxel Transformer for 3D Object Detection

一核心思想

本文主要是在3D backbone上用到了改进的transformer方法，以便更好的提取特征。也就是在sparse voxel module和submanifold voxel module的基础上使用transformer进行特征的提取。

提出两种attention的机制，分别为Local Attention 和 Dilated Attention。之后通过Fast Voxel Query的方法加速querying process的进程（这里之后会详细叙述。）。

VoTr包含一系列的sparse voxel和submanifold voxel modules，与之前SECOND提出的方法有一点出入，这里是借鉴了在哪些地方编码特征的思想，并不是完全套用。具体算法步骤如下：

二核心步骤

VoTr是一种Transformer-based 3D backbone。与传统卷积架构 (包含3个sparse convolutional blocks和6个submanifold convolutional blocks)的设计类似，我们的VoTr由一系列sparse voxel和submanifold convolutional blocks组成，如上图所示。（需要注意的是，这里只是借鉴了传统sparse和submanifold选择采样位置的战略，而不是用到完整的sparse和submanifold convolutional blocks的结构。）

我们设计了3个sparse voxel modules，对voxel-grid进行3次采样。每个sparse voxel modules后面跟着2个submanifold voxel modules，保持输入和输出非空位置不变，在保持原始三维结构的同时扩大接受域(也就是sparse用于扩展特征position，submanifold用于在保持输入输出特征位置不变的情况下提取更多的特征。)。

Multi-head attention在sparse voxel modules和submanifold voxel modules中执行，Multi-head attention中每个querying voxel的对应需要参加key和value的voxel由两种特殊的attention决定: Local Attention 和 Dilated Attention，这两种机制能够很好地捕捉不同范围内的不同语境。在此基础上，提出了Fast Voxel Query算法，加速了Multi-head attention中非空体素的搜索过程（说白了Fast Voxel Query就是为了快速查找参加transformer的key和value里面的值的voxel的一种方法。）。

2.1 Voxel Transformer Module

在本节中主要用于讲解sparse voxel和submanifold voxel module的设计方法。这两者的主要的区别在于submanifold voxel module严格作用于非空体素，只在非空位置提取特征，保持了三维场景的几何结构，而sparse voxel module可以在空位置提取体素特征。显示了更大的灵活性，可以根据需要扩展原有的非空体素空间（也就是之前讲的，借鉴了SECOND中sparse和submanifold的思想。）。

2.1.1 Self-attention on sparse voxels

这里主要介绍到在sparse voxel和submanifold voxel module中都会用到的self-attention的方法。也就是下图所示的结构：

non-empty voxels integer indices array V和 feature array F。对于每一个non-empty voxels（也就是Transformer中的Query）i，我们首先给定Key和Value的来源点的范围，之后通过一系列的点得到的attention features。

设分别为query voxel和attending voxels的特征，分别为query voxel和attending voxels的indices。首先我们将转化到真实的3D coordinates中，通过公式，其中r表示voxel size。之后对于一个query embedding 和相应的key embedding 以及value embedding 可通过下述公式获得：

其中为权重参数，。

最终为softmax normalization function。

2.1.2 Submanifold voxel module

如上图所示，为submanifold的完整结构，与传统的transformer的区别在于：1)我们在feed-forward layer之后增加了一个projection layer，用于体素特征的通道调整。2)我们用batch normalization代替layer normalization。3)我们删除了模块中所有的dropout层，因为参与的体素数量已经很小，而随机剔除其中一些体素会阻碍学习过程。

在submanifold voxel module中，如上述一致，我们只会对non-empty voxels进行transformer的操作。

2.1.3 Sparse voxel module

如上图所示，为sparse voxel module的整体结构。与submanifold voxel module不同的是，它还会对某些空值的voxel进行transformer操作(也就是跟SECOND中的sparse一样的扩展特征方法。)，当然这是voxel下采样过程中通常需要的。

由于empty voxel没有feature可用，我们无法从中获得query embedding。为了解决这一问题，我们从参加transformer的voxel的特征给出了空点处气的近似值：，其中A我们默认为maxpooling函数。

除此之外，我们在sparse voxel module中移除了第一个residual connection结构，因为在本次self-attention之后，前后特征的维度发生了变化，无法进行concatenate操作。

2.2 Efficient Attention Mechanism

这里也就是上述中的选择策略：1)应覆盖相邻voxel，以保留更细致的3D structure。2)应尽可能达到获取大的context information。3)中attending voxel的数量应足够小，例如小于50，以避免沉重的计算开销。

根据这些选择策略，我们得出了Local Attention和Dilated Attention结合的选择策略。

2.2.1 Local Attention

我们将定义为一个函数，该函数返回一个封闭集合[start,end]中的non-empty voxel indices，步长为stride。例如表示搜索集合:

中不为空的voxel。

在Local Attention，对于一个query embedding ，local attention的范围为，其中表示local attention的范围，在本文中选择

2.2.2 Dilated Attention

与Local Attention一样，Dilated Attention可以根据参数列表定义为:

其中\表示集合中的减法操作(subtraction operator)，U表示取所有非空体素集的并集。

注意到，并且，这意味着在搜索距离较远的非空体素时，逐步扩大查询步长。

这也就保证了更多的query voxel附近的non-empty voxel参与attending voxel，同时仍然保持一些较远的non-empty voxel参与attending voxel。通过精心设计的参数列表，查找的范围能够达到1500万以上，但每个query voxel的attending voxel数量仍然保持在50以下。值得注意的是，当时，Local Attention可以看作是Dilated Attention中的一种特殊情况。