VoteNet数据和源码配置调试过程请参考上一篇博文：【三维目标检测】VoteNet（一）_Coding的叶子的博客-CSDN博客。本文主要详细介绍VoteNet网络结构及其运行中间状态。
1 VoteNet模型总体过程
VoteNet核心思想在于通过霍夫投票的方法实现了端到端3D对象检测网络，属于anchor free的目标检测方式。传统基于anchor的三维目标检测方法会将三维点云投影到bev视图后采用二维目标检测的方式来生成目标候选框。这种方式很有可能会丢失物体细节。
VoteNet模型结构如下图所示。该模型大量用到了PointNet结构。在主干网络中，VoteNet利用PointNet采样分组和特征上采样得到了用于投票的种子点（seed）及其特征。种子点类比求解霍夫直线时的定点，也就是具备投票权的点。种子点投票结果为Votes，包含投票目标中心点和特征。VoteNet接着利用PointNet采样分组模块对投票点进行聚合，用聚合后的点分别预测目标有无、类别和位置。聚合的作用可类比霍夫直线参数空间中的直线交点，即聚合空间中的点投票给了同一个目标。
2 主要模块解析
模型输入数据points维度为Nx4，N=20000。
2.1 主干网络backbone特征提取
VoteNet主干网络采用的是PointNet2SASSG结构，其中SA模块的详细介绍请参考：【三维目标分类】PointNet++详解（一）_Coding的叶子的博客-CSDN博客_pointnet++详解。主干网络通过连续4个SA结构逐步对点云进行下采样、分组、特征提取得到采样坐标sa_xyz、采样特征sa_features和采样索引sa_indices。提取的特征再经过FP层上采样得到融合后的坐标fp_xyz、fp_features和索引fp_indices。特征上采样FP层的详细介绍请参考【三维语义分割】PointNet++ （二）：模型结构详解_Coding的叶子的博客-CSDN博客。主干网络最终主要得到1024个种子点seed_points（1024x3）及其特征seed_features（1024x256）。
主干网络入口函数为self.backbone(points)，关键部分介绍如下。
points -> xyz_0 20000x3，features_0 20000x1，indices_0 20000
SA1：num=2048，radius：0~0.2，g_sample_num=64，Conv2d(4, 64)、Conv2d(64, 64)、Conv2d(64, 128) -> xyz_1 2048x3，features_1 2048x128，indices_1 2048
SA2：num=1024，radius：0~0.4，g_sample_num=32，Conv2d(131, 128)、Conv2d(128, 128)、Conv2d(128, 256) -> xyz_2 1024x3，features_2 1024x256，indices_2 1024
SA3：num=512，radius：0~0.8，g_sample_num=16，Conv2d(259, 128)、Conv2d(128, 128)、Conv2d(128, 256) -> xyz_3 512x3，features_3 512x256，indices_3 512
SA4：num=256，radius：0~1.2，g_sample_num=16，Conv2d(259, 128)、Conv2d(128, 128)、Conv2d(128, 256) -> xyz_4 256x3，features_4 256x256，indices_4 256
FP1：fp_xyz_1 512x3，fp_features_1 512x256，fp_indices_1 512
FP2：fp_xyz_2 1024x3，fp_features_2 1024x256，fp_indices_2 1024VoteNet没有用到Neck结构，Neck结构提取的特征通常用于RPN网络。因此，extract_feat模块的输出与主干网络输出一致。输出包括以下6个组成部分：
（1）sa_xyz：[xyz_0, xyz_1, xyz_2, xyz_3, xyz_4]，[20000x3, 2048x3, 1024x3, 512x3, 256x3]
（2）sa_features：[features_0, features_1, features_2, features_3, features_4]，[20000x1, 2048x128, 1024x256, 512x256, 256x256]
（3）sa_indices：[indices_0, indices_1, indices_2, indices_3, indices_4]，[20000, 2048, 1024, 512, 256]
（4）fp_xyz：[xyz_4, fp_xyz_1, fp_xyz_2]，[256x3, 512x3, 1024x3]
（5）fp_features：[features_4, fp_features_1, fp_features_2]，[256x256, 512x256, 1024x256]
（6）fp_indices：[indices_4, fp_indices_1, fp_indices_2]，[256, 512, 1024]2.2 VoteHead
VoteHead功能是为了得到预测目标的有无、分类和位置，共包含了投票点生成、投票点聚合、候选框预测和预测解码四个主要步骤。
（1）投票点生成
VoteNet主干网络中得到了具有投票资格的1024个点seed_points（1024x3）及其特征seed_features（1024x256）。每个种子点通过卷积网络会产生一个投票点vote_points（1024x3）及其特征vote_features（1024x256），并且投票点特征与种子点特征做了一次融合。关键程序部分如下。
results[’seed_points’] = feat_dict['fp_xyz'][-1]
seed_features = feat_dict['fp_features'][-1]
results[‘seed_indices’] = feat_dict['fp_indices'][-1]
results[‘vote_points’], results[‘vote_features’], results[‘vote_offset’] = self.vote_module(seed_points, seed_features)
seed_features 1024x256 Conv1d(256, 256)、Conv1d(256, 256)、Conv1d(256, 259)
votes 1024x259
offset = votes[:, :, :, 0:3]
vote_points = seed_points + offset
vote_feats_features = seed_features + votes[:, :, :, 3:] 1024x256（2）投票点聚合
投票点聚合的作用可类比霍夫直线中的直线交点，即聚合空间中的点投票给了同一个目标。在霍夫直线检测过程中，检测结果通过直线在某点相交的投票次数来决定，并且设置阈值来进行结果筛选。VoteNet是采用一组聚合的点来预测一个目标结果。
投标点聚合的方式仍然是采用PointNet中的SA模块，将1024个投票点聚合成256个点aggregated_points（256x3），其特征为aggregated_features（256x128）。关键程序部分如下。
aggregated_points, aggregated_features, aggregated_indices = self.vote_aggregation(vote_points, vote_features)
SA：num=256，radius：0~0.3，g_sample_num=16，Conv2d(259, 128)、Conv2d(128, 128)、Conv2d(128, 128 -> aggregated_points 256x3，aggregated_features 256x128，aggregated_indices 256（3）候选框预测
每个聚合后的点会投票产生一个候选结果。根据聚合后的特征，VoteNet通过分类head和回归head产生预测的候选框结果。aggregated_features（256x128）通过卷积 Conv1d(128, 128)和Conv1d(128, 128)进行更深层特征提取，提取后的特征分别经过卷积 Conv1d(128, 12)和 Conv1d(128, 67) 得到分类预测结果cls_precls_predictions（256x12）和位置回归预测结果reg_predictions（256x67）。关键程序部分如下。
cls_predictions, reg_predictions = self.conv_pred(aggregated_features)
aggregated_features 256x128 Conv1d(128, 128)、Conv1d(128, 128) 256x128特征
分类head：conv_cls Conv1d(128, 12) 256x12 cls_prediction
回归head：conv_reg Conv1d(128, 67) 256x67 reg_predictions
BaseConvBboxHead(
(shared_convs): Sequential(
(layer0): ConvModule(
(conv): Conv1d(128, 128, kernel_size=(1,), stride=(1,))
(bn): BatchNorm1d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(activate): ReLU(inplace=True)
)
(layer1): ConvModule(
(conv): Conv1d(128, 128, kernel_size=(1,), stride=(1,))
(bn): BatchNorm1d(128, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(activate): ReLU(inplace=True)
)
)
(conv_cls): Conv1d(128, 12, kernel_size=(1,), stride=(1,))
(conv_reg): Conv1d(128, 67, kernel_size=(1,), stride=(1,))
)（4）预测解码
上一步我们得到了模型预测结果，那么预测结果如何与真实标签关联需要一一进行解码。真实标签主要包含目标有无、类别标签和目标回归位置。输入数据集共包含10个类别目标。目标位置包括方向和尺寸回归，并且各自都转换成了分类和偏移回归两部分。这种方式的候选框称为bin based box。函数入口为self.bbox_coder.split_pred(cls_predictions, reg_predictions, aggregated_points)。
解码结果的关键程序如下。
（1）目标中心位置
results['center'] = aggregated_points + reg_predictions[..., :3] 256x3
（2）目标方向类别
results['dir_class'] = reg_predictions..., 3:15] 256x12
（3）目标方向偏移
results['dir_res_norm'] = reg_predictions[..., 15:27] 256x12
results['dir_res'] = results['dir_res_norm'] * (np.pi / 12)
（4）目标尺寸类别
results['size_class'] = reg_predictions[..., 27:37] 256x10
（5）目标尺寸偏移
results['size_res_norm'] = reg_predictions[..., 37:67] 256x10x3
results['size_res'] = size_res_norm * mean_sizes 256x10x3
（6）目标有无得分
results['obj_scores'] = cls_preds_trans[..., 0:2] 256x2
（7）目标语义得分
results['obj_scores'] = cls_preds_trans[..., 2:12] 256x102.3 损失函数
2.3.1 标签计算
计算损失函数需要将上述预测结果与标签一一对应。计算标签的函数入口为self.get_targets(points, gt_bboxes_3d, gt_labels_3d, bbox_preds)。每个聚合点对应的真实标签为距离最近的目标标签。
关键程序解析如下。
#表明哪些点落在目标框内
vote_target_masks = points.new_zeros([num_points], dtype=torch.long)
box_indices_all = gt_bboxes_3d.points_in_boxes_all(points) 20000xM
votes点云中的点相对于目标几何中心的偏移
vote_targets，每个点投给相应目标的中心偏移。
vote_target_idx表示每个点实际投票的次数
vote_target_mask表示每个点是否参与了投票。1表示参与了投票，0表示未参与投票。
valid_gt_weights：有效真实标签除以标签数量得到，真实标签权重
center_targets 物体几何中心，即重心。Kx3，K为batch中单个样本含目标最多的数量，不足时补0,0,0，并用valid_gt_masks进行标识。
size_class_targets 尺寸类别与物体类别保持一致，默认不同物体有不同的尺寸，即平均尺寸
size_res_targets 物体尺寸与平均尺寸的差值除以平均尺寸。
dir_class_targets 目标角度从0~2Π范围划分为12个子区间，每个区间作为一个类别
dir_res_targets 角度相对子区间中心的偏移值，并除以区间大小进行归一化
objectness_targets聚合后的点aggregated_points距离最近目标中心点如果小于0.3则为1，即正样本标签，否则为0。正样本标签除以正样本数量得到box损失权重box_loss_weights，即仅对正样本进行box预测。
objectness_masks 聚合后的点aggregated_points距离最近目标中心点如果小于0.3或大于0.6则为1，否则为0。这表示将不考虑处于中间状态的目标，即困难样本。正负样本标签除以正负样本数量得到权重objectness_weights。
mask_targets 每个聚合点距离最近目标的分类标签。
assigned_center_targets 每个聚合点距离最近目标的分类中心。2.3.2 损失计算
VoteNet总体损失包括投票损失vote_loss、目标有无损失objectness_loss、中心损失center_loss、方向分类损失dir_class_loss、方向回归损失dir_res_loss、尺寸分类损失size_class_loss、尺寸回归损失size_res_loss、语义分类损失semantic_loss，也可增加iou损失等。各个损失函数计算关键程序及类型如下所示。
（1）投票损失vote_loss：ChamferDistance，计算投票中心与目标中心标签的最小倒角距离。
vote_loss = self.vote_module.get_loss(bbox_preds['seed_points'], bbox_preds['vote_points'], bbox_preds['seed_indices'], vote_target_masks, vote_targets)
#根据vote_target_mask（20000）和bbox_preds['seed_indices']（1024）得到投票成功的种子点，seed_gt_votes_mask（1024）
#根据vote_targets和bbox_preds['seed_indices']得到投票成功的种子点的目标中心偏移seed_gt_votes（1024x9）加上bbox_preds['seed_points']得到种子点对应投票的目标中心坐标标签。
# seed_gt_votes_mask除以投票成功的种子点总数得到权重weights。
#计算vote_points和seed_gt_votes之间的倒角距离。
（2）目标有无损失objectness_loss：CrossEntropyLoss
objectness_loss = self.objectness_loss(bbox_preds['obj_scores'].transpose(2, 1), objectness_targets, weight=objectness_weights)
（3）中心损失center_loss：ChamferDistance
source2target_loss, target2source_loss = self.center_loss(bbox_preds['center'], center_targets, src_weight=box_loss_weights, dst_weight=valid_gt_weights)
center_loss = source2target_loss + target2source_loss
（4）方向分类损失dir_class_loss：CrossEntropyLoss
dir_class_loss = self.dir_class_loss(bbox_preds['dir_class'].transpose(2, 1), dir_class_targets, weight=box_loss_weights)
（5）方向回归损失dir_res_loss：SmoothL1Loss
dir_res_loss = self.dir_res_loss(dir_res_norm, dir_res_targets, weight=box_loss_weights)
（6）尺寸分类损失size_class_loss：CrossEntropyLoss
size_class_loss = self.size_class_loss(bbox_preds['size_class'].transpose(2, 1), size_class_targets, weight=box_loss_weights)
（7）尺寸回归损失size_res_loss：SmoothL1Loss
size_res_loss = self.size_res_loss(size_residual_norm, size_res_targets, weight=box_loss_weights_expand)
（8）语义分类损失semantic_loss：CrossEntropyLoss
semantic_loss = self.semantic_loss(bbox_preds['sem_scores'], mask_targets, weight=box_loss_weights)2.4 顶层结构
顶层结构主要包含以下三部分：
- 特征提取：self.extract_feat，通过PointNet2SASSG主干网络进行特征提取，输出结果见2.1节。
- VoteHead：结果预测与解码，见2.2节。
- 损失函数：见2.3节。
def forward_train(self, points, img_metas, gt_bboxes_3d, gt_labels_3d, pts_semantic_mask=None, pts_instance_mask=None, gt_bboxes_ignore=None):
points_cat = torch.stack(points)
x = self.extract_feat(points_cat)
bbox_preds = self.bbox_head(x, self.train_cfg.sample_mod)
loss_inputs = (points, gt_bboxes_3d, gt_labels_3d, pts_semantic_mask, pts_instance_mask, img_metas)
losses = self.bbox_head.loss(bbox_preds, *loss_inputs, gt_bboxes_ignore=gt_bboxes_ignore)
return losses3 训练命令
python tools/train.py configs/votenet/votenet_16x8_sunrgbd-3d-10class.py4 运行结果
https://blog.csdn.net/suiyingy/article/details/124017716