UNIPAD:自动驾驶通用预训练范式
原UNIPAD: A UNIVERSAL PRE-TRAINING PARADIGM FOR AUTONOMOUS DRIVING
论文链接:https://arxiv.org/pdf/2310.08370.pdf
代码链接:https://github.com/Nightmare-n/UniPAD
作者单位:上海人工智能实验室 浙江大学 香港大学 中国科学技术大学 悉尼大学 Zhejiang Lab
论文思路:
在自动驾驶的背景下,有效特征学习的重要性得到了广泛认可。虽然传统的 3D 自监督预训练方法已经取得了广泛的成功,但大多数方法都遵循最初为 2D 图像设计的想法。本文提出了 UniPAD,一种应用 3D 体积可微渲染(3D volumetric differentiable rendering)的新型自监督学习范式。UniPAD 隐式编码 3D 空间,有助于重建连续的 3D 形状结构及其 2D 投影的复杂外观特征。本文方法的灵活性使得能够无缝集成到 2D 和 3D 框架中,从而能够更全面地理解场景。本文通过对各种下游 3D 任务进行广泛的实验来证明 UniPAD 的可行性和有效性。本文的方法将基于激光雷达、摄像机和激光雷达-摄像机的基线分别显着提高了 9.1、7.7 和 6.9 NDS。值得注意的是,本文的预训练 pipeline 在 nuScenes 验证集上实现了 3D 目标检测的 73.2 NDS 和 3D 语义分割的 79.4 mIoU,与之前的方法相比,实现了最先进的结果。
主要贡献:
据本文所知,本文是第一个探索一种新颖的 3D 可微渲染(3D differentiable rendering)方法,用于自动驾驶背景下的自监督学习。
该方法的灵活性使其易于扩展到2D backbone的预训练。通过新颖的采样策略,本文的方法在有效性和效率上都表现出了优越性。
本文在 nuScenes 数据集上进行了全面的实验,其中本文的方法超越了六种预训练策略的性能。包含七个 backbones 和两个感知任务的实验为本文方法的有效性提供了令人信服的证据。
网络设计:
本文提出了一种专为有效 3D 表示学习而定制的新颖的预训练范式,它不仅避免了复杂的正/负样本分配,而且还隐式提供了连续的监督信号来学习 3D 形状结构。如图 2 所示,整个框架将 masked点云作为输入,旨在通过 3D 可微神经渲染在投影的 2D 深度图像上重建缺失的几何形状。具体来说,当提供masked LiDAR 点云时,本文的方法采用 3D 编码器来提取分层特征。然后,通过体素化将 3D 特征转换到体素空间。本文进一步应用可微分体积渲染方法来重建完整的几何表示。本文方法的灵活性有助于其与预训练 2D backbone的无缝集成。多视图图像特征通过 lift-split-shoot (LSS) 构建 3D volume(Philion & Fidler,2020)。为了保持训练阶段的效率,本文提出了一种专为自动驾驶应用设计的节省内存的光线采样(ray sampling)策略,其可以大大降低训练成本和内存消耗。与传统方法相比,新颖的采样策略显着提高了准确性。
图 1:本文对 3D 检测和分割进行预训练的效果,其中 C、L 和 M 分别表示摄像机、LiDAR 和融合模态。
图 2:整体架构。
本文的框架采用 LiDAR 点云或多视图图像作为输入。本文首先提出 mask 生成器来部分 mask 输入。接下来,特定于模态的编码器适用于提取稀疏可见特征,然后将其转换为密集特征,其中 mask 区域填充为零。随后将特定于模态的特征转换到体素空间,然后是投影层以增强体素特征。最后,基于体积的神经渲染为可见区域和 mask 区域生成 RGB 或深度预测。
实验结果:
引用:
Yang, H., Zhang, S., Huang, D., Wu, X., Zhu, H., He, T., Tang, S., Zhao, H., Qiu, Q., Lin, B., He, X., & Ouyang, W. (2023). UniPAD: A Universal Pre-training Paradigm for Autonomous Driving. ArXiv. /abs/2310.08370
原文链接:https://mp.weixin.qq.com/s/ep_al_G-ejQycgG4Jq0nTQ