千万奖金大赛，大湾区《路测3D检测》冠亚军技术方案分享

冠军：太上老君队伍技术分享

Step1：赛题解读
官网赛题描述： https://www. cvmart.net/race/10350/d es
数据集：为repo3D数据集
https://www. cvmart.net/race/10350/d ataset （官网展示不可下载）
https:// thudair.baai.ac.cn/logi n （可下载）
赛题任务：预测道路目标3Dbox, 标注类别有9类，需要对应合并预测为4类（小车、大车、行人、非机动车）如下图所示

Step2：数据集分析
repo3D数据集目录结构

repo3D的label字段

Step3：数据预处理
首先拿到数据后先对标签进行转换，把所有相机坐标系下的label转换成像素坐标系下，所有的训练都是在像素坐标系下进行迭代
世界坐标系，相机坐标系，图像坐标系，像素坐标系之间的转换关系如下：

此外在可视化数据的时候，发现数据集中世界坐标系的Z轴，居然方向有的向上有的向下
可能原因：部分相机对应的世界坐标系的Z轴方向不一致，如图所示

解决办法：
1、先根据内外参矩阵计算出像素坐标系下的几何中心
2、判断像素坐标系下的地面中心和几何中心的大小，如果地面中心y值小于几何中心y值，则进行翻转操作
可视化数据分析时，还发现原始的yolov7 三个头的anchor 并不能完全覆盖，数据种的超大目标车辆，于是对网络进行改进从原来的下采样64倍，改进为128倍，并且输出head从原来的3个改为5个,具体的细节见step5网络模型。
最终dataset 处理后返回的内容如下：

Step4：数据增强
太上老君队伍，最初的方案也是引入的mosaic 增强，最后发现效果并不好，经过实验发现进行中心点偏移反而效果更好，且不再需要分两个阶段训练， 具体如下：

Step5：网络模型
太上老君炼丹房 方案的网络结构如下，基础模块例如Focus模块ELANBlock模块 sppcspc模块，upconvblock可参考yolo7开源代码，整体网络图如下，每一层我们都增加了详细的shape信息，相信算法工程师，根据下图结构基本上可以完成网络复现。

下面是网络核心模块

为什么我们要设计为5个head?
最初的方案，我们是使用的3个head 进行实验发现，大车的AP总是很低，分析后发现有些图片大车图片甚至占据了1/2的图片面积，而64倍下采样的感受和配上3个head的anchor 存在局限，导致对超大目标检测不好，于是我们修改网络继续加深到128倍下采样，并且head 我们从原来的3个头增加到5个如下：

Step6：损失设计
Yolo7多尺度损失采用如下方案：

Total 是总损失和
obj_loss 使用 nn.BCEWithLogitsLoss
box_loss 使用 CIoU
cls_loss 使用 nn.BCEWithLogitsLoss
3d_loss 使用 F.smooth_l1_loss
此外我们在每个head处增加了权重平衡
BALANCE: [2.0, 1.5, 1.0, 0.95, 0.85 ] 每层anchor objectness 每个head的目标权重
WEIGHT: [ 0.5, 0.7, 0.75, 0.065] 分别对应lbox, lobj, lcls, lbox3d的损失权重
损失的不同能很大程度上反映出方案的区别，可以与惨叫鸡的损失方案对比，这两个方案的建模方式是完全不一样的。
Step7：训练策略

训练过程中的损失曲线如下

亚军：惨叫鸡杀手队伍技术分享

Step1：赛题解读
见太上老君方案，是对赛题的介绍，不做重复
Step2：数据集分析
见太上老君方案，是对数据集的介绍，不做重复
Step3：数据预处理
惨叫鸡队伍的方案需要多labels进行重生成，我们在dataset中进行转换实现，也用到了坐标系转换，具体可参考上文太上老君数据预处理内容。最后dataset 迭代返回的结果如下：

Step4：数据增强
惨叫鸡数据增强部分如下图所示，由于我们的训练分为两个阶段，每个阶段的增强方式不同，第一个阶段引入了mosaic增强，这样经过时间就算是训练到了60个epoch 还能继续出现长点，避免过拟合。

第二个阶段我们又去掉了mosaic增强进行finetuning

Step5：网络模型
惨叫鸡杀手 使用的是monodla34 anchor free的方案，网络结构如下，每一层我们都增加了详细的shape信息，方便大家复现，backbone部分进行32倍下采样，然后neck部分待用复杂的dlaupv2的融合方式，进行充分融合，然后再上采样到输入图片的1/4大小送给head， head 部分根据建模设计了8个head，分别对应下图的result结果。

其实惨叫鸡队伍，先后进行了五套方案的实验，如下图所示，全部的方案得分都在0.50分以上，依然拉开第三名至少5个点左右的差距。
五套方案head没有变，修改了网络的backbone 和neck，我们尝试了基于transformer 的mobilevit的两个方案， 还尝试了重参数化思想的repvgg网络，又尝试了超越ConvNeXt和transformer的VAN（visual Attention Network）这些backbone 都是当下非常热门和sota的backbone,
此外neck部分我们也做了不同的尝试，改进cspfpn进行上采样三次融合，最终实验得出dla34_dlaupv2反而是最好的方案，我们做了思考，为什么transformer没发挥出效果，主要原因可能是极市平台的GPU太差，显存非常小，限制了batchsize，一个bachsize只能4个样本，虽然我们使用了梯度累计的方案，但是transformer 仍无法发挥出来潜力。

下图是五套方案的训练历史，由于极市平台的算力非常差，所以训练完一个方案至少需要8天时间. 而我们付出了如此的努力且没有任何违规的情况下主办方，恶意取消我们的成绩，给出的理由极其荒谬。

Step6：损失设计
Monodle34 anchor free 方案的损失如下

Total 是总损失和
Heatmap 使用 Negloss
Offset_2d 使用 L1loss
Size_2d 使用 L1loss
offset_gemo3d 使用L1loss
offset_ground3d使用L1loss
size_3d 使用 AwareL1loss （使用了加权更均衡一些）
Heading 使用(分类损失CE + 回归损失L1loss)
损失的不同能能很大程度上反映出方案的区别，可以看出惨叫鸡与太上老君的建模方式是完全不一样的
Step7：训练策略

训练过程中的损失曲线如下，可以发现global loss突然上升了，这是因为自动进入到了训练阶段2，撤掉了mosaic数据增强，训练的数据突然有了较大的变化，loss进行了跳变，这是正常现象。

总结

希望以上两种方案能给算法工程师们带来些启发，关注大赛内幕请看下面链接。请持续关注文章，代码即将开源！