1. 前言
在环视图像的网络中，常使用鸟瞰图来进行特征提取，尽管比体素表示更加高效，但也会损失部分信息，为了解决这个问题，TPVFormer论文中提出了三个视图来表示三维特征的方法，并且在实验中验证了仅使用图像作为输入，能够与雷达获得相当的分割效果。
本文主要介绍如何在本地运行mini数据集，以及生成对应的视频，后续会对源码进行深入学习。
mini数据集: https://pan.baidu.com/s/1oKvicVacbPFZNtXO7l9t7A?pwd=p4h4 提取码: p4h4
结果可视化:https://www.bilibili.com/video/BV1oX4y1o7FQ/?spm_id_from=333.999.0.0
BEV交流群，v群:Rex1586662742、q群:468713665。
2. 运行
在TPVFormer的仓库中，作者只针对完整的nuscenes数据集制作了 nuscenes_infos_train.pkl、nuscenes_infos_val.pkl，对于学习者来说，通常无法在完整nuscences数据集上进行测试，在后来的咨询下，原作者也是给出了mini数据集的pkl文件，通过下文的链接即可获得。以及liar文件
2.1 运行eval.py
在整理好数据集后，运行下面的指令就可以进行验证了
python eval.py --py-config xxxx --ckpt-path xxxx
直接运行应该会报错，如果报错为 self.table_names 里面没有 “lidarseg”,则需要修改如下内容
将/home/snk/anaconda3/envs/tpv/lib/python3.8/site-packages/nuscenes_devkit-1.1.10-py3.8.egg/nuscenes/nuscenes.py文件中的
self.table_names中添加一个变量 ‘lidarseg’
self.table_names = ['category', 'attribute', 'visibility', 'instance', 'sensor', 'calibrated_sensor',
'ego_pose', 'log', 'scene', 'sample', 'sample_data', 'sample_annotation', 'map','lidarseg']
同时在附近添加一行代码
self.lidarseg = self.__load_table__('lidarseg')
再次运行
python eval.py --py-config xxxx --ckpt-path xxxx
2.2 vis_scence.py
按照项目中的指示来安装环境可能会有问题，可以按照下面的方式来安装
pip install vtk==9.0.1
pip install mayavi==4.7.3
sudo apt update
sudo apt install xvfb
安装完毕即可运行生成视频，个人生成的视频见下方的链接。
python visualization/vis_scence ...
python visualization/generate_videos.py
如果报错说pyqt5有问题，就卸载pyqt5
3 论文简介
3.1 原理学习
一般只用俯视图来计算三维特征，而在本文中主要提出了一种表征三维特征的方法，即提出了tri-perspective view representation(TPV)，通过三个方向的特征，很容易完成纯视觉的3d分割、3d语义分割等，作者将TPVFormer对标特斯拉的occupancy network。TPVFormer的主要流程如下图所示:
输入为6张环视图片，通过Image Backbone，可以得到不同尺度的特征层，多尺度特征层目前应用十分广泛。再通过TPVFormer模块可以获得TPV特征，最终将三个方向特聚合在[100,100,8]的体素中，每个体素特征是由三个方向的特征相加得到。在训练时，使用真实Lidar来监督，在预测时，可以输出稠密的体素特征。
img_feats = self.extract_img_feat(img=img, use_grid_mask=use_grid_mask) // 提取多尺度特征
outs = self.tpv_head(img_feats, img_metas) # [1, 10000, 256]、 [1, 800, 256]、[1, 800, 256] 三个方向的BEV特征
outs = self.tpv_aggregator(outs, points) # 分割结果
为何要提出三个方向的特征图，论文通过下图来进行说明:
如果直接用Voxel来表示三维特征，那么会极大的增加计算量，而直接用BEV特征会损失高度上的信息，而TPV在前面两者之间进行了折中处理，在保留不同视图特征的同时，极大的减少了计算量。因此，如何得到TPV特征是本文的重点。
上图即第一张图的补充版本，主要看后半段，TPVFormer可以分为Cross-Attention和HyBird-Attention，其中Cross-Attention就是在不同尺度上的特征层做self-atten，HyBird-Attention是TPV三个特征之间做self-atten，且全部使用deformable transformer来减少计算量。通过TPVFormer之后，就得到了TPV特征。通过TPV特征，即可获得任意一个Voexl在3D空间中的特征，然后利用分割头即可对其分类，以达到Occupancy的效果。
3.2 结果
4、总结
本文介绍了如何在本地进行TPVFormer的运行，对论文中的原理图片进行了学习，主要是学习到了文章中是如何进行TPV特征提取，以及如何使用TPV特征，文章的代码十分友好，后续会继续对源码进行学习。