目标检测|CVPR2019（无人驾驶3D目标检测论文点评）计算机视觉|自动驾驶|深度学习

CVPR2019：无人驾驶3D目标检测论文点评
重读CVPR2019的文章，现在对以下文章进行点评。
Stereo R-CNN based 3D Object Detection for Autonomous
Driving

introduction

本文提出了完全自动驾驶3D目标检测方法，包括3D图像检测疏密度，语义和几何信息。这个方法命名为Stereo R-CNN，将Faster R-CNN推广到3D图像输入信息，检测和关联左右两部分图像。通过在立体区域建议网络stereo Region Proposal Network (RPN)增加分支，预测稀疏点，透视点和目标维数，以便将2D左右boxes通过准确度2D透视投影来计算3D-BOX目标。然后，通过左右ROI线性成像来复原3D bounding-box。本方法不要求详细输入深度信息和3D位置，而且超过所以目前的3D目标检测方法。实验结果表示，这种方法在KITTI数据集上有大约30%AP，无论使3D目标检测，还是3D局部任务。本文实现开源代码链接在：https://github.com/HKUST-Aerial-Robotics/Stereo-RCNN
【目标检测|CVPR2019（无人驾驶3D目标检测论文点评）】2018年在3D检测方面的文章层出不穷，也是各个公司无人驾驶或者机器人学部门关注的重点，包含了点云，点云图像融合，以及单目3D检测，但是在双目视觉方面的贡献还是比较少，自从3DOP之后。
总体来说，图像的检测距离，图像的density以及context信息，在3D检测中是不可或缺的一部分，因此作者在这篇文章中挖掘了双目视觉做3D检测的的潜力。

network structure

文章图片

整个网络结构分为以下的几个部分。
1). RPN部分，作者将左右目的图像通过stereoRPN产生相应的proposal。具体来说stereo RPN是在FPN的基础上，将每个FPN的scale上的feature map的进行concat的结构。
2）Stereo Regression，在RPN之后，通过ROIAlign的操作，得到each FPN scale下的左右ROI特征，然后concat相应的特征，经过fc层得到object class，stereo bounding boxes dimension，还有viewpoint angle的值。关于viewpoint，根据figure3，嘉定目标的朝向是θ，车中心和camera中心的方位角是β，那么viewpoint的角度是α=θ+β，为了避免角度的歧义性，回归量还是[sinα，cosα]。

文章图片

3). keypoint的检测。这里采用的是类似于mask rcnn的结构进行关键点的预测。文章定义了4个3D semantic keypoint，即车辆底部的3D corner point，同时将这4个点投影到图像，得到4个perspective keypoint，这4个点在3D bbox regression起到一定的作用，在下一部分再介绍。
在keypoint检测任务中，作者利用RoiAlign得到的14*14feature map，经过conv，deconv最后得到6 * 28 * 28的feature map，注意到只有keypoint的u坐标会提供2D Box以外的信息，因此，处于减少计算量的目的，作者aggregate每一列的feature，得到6 * 28的output，其中，前4个channel代表4个keypoint被投影到相应的u坐标的概率，后面两个channel代表是left or right boundary上的keypoint的概率。

3D Box
Estimation

通过网络回归得到的2D box的dimension，viewpoint，还有keypoint，可以通过一定的方式得到3D box的位置。定义3D box的状态x = [x, y, z, θ]。

文章图片

文章图片

Figure 5，给出了一些稀疏的约束。包含了特征点的映射过程。这里也体现了keypoint的用处。

文章图片

上述公式即为约束方程，因此可以通过高斯牛顿的方法直接求解。

Dense 3D Box
Alignment

这里就回到shenshaojie老师比较熟悉的BA的过程了，由于part 3仅仅只是一个object level的深度，这里文章利用最小化左右视图的RGB的值，得到一个更加refine的过程。定义如下的误差函数

文章图片

这里

文章图片
分别表示图像左右两部分部分3通道RGB向量；表示与3D-BOX中心像素值i的灰度差值；b表示线段长度。
而这一块的求解利用G20或者ceres也可以完成。整个alignment过程其实相对于深度的直接预测是更加robust的，因为这种预测方法，避免了全局的depth estimation中的一些invalid的pixel引起的ill problem的问题。

experiment

在实验这块达到了双目视觉的state of art，同时对于各个module也做了很充足的实验。

文章图片

Insight

最后谈谈文章一些insights，首先，整个文章将传统的detection的任务，结合了geometry constraint优化的方式，做到了3D位置的估计，想法其实在不少文章sfm-learner之类的文章已经有体现过了，不过用在3Ddetection上面还是比较新颖，避免了做双目匹配估计深度的过程。也属于slam跟深度学习结合的一篇文章，感兴趣的朋友可以继续看看arxiv.org/abs/1802.0552等相关文章
谈几点不足吧，首先耗时过程0.28s的inference time，不过可能作者的重点也不在这个方面，特征的利用上可以更加有效率，在实现上。其次，能不能采用deep3dbox的方式预测dimension，然后添加入优化项呢…总体来说，是一篇不错的值得一读的文章！