1introduction

这篇cvpr2019文章提出了一种度量精确的单目3D目标检测端对端方法。（arxiv:1812.02781）
主要贡献有三点：

1. 一种度量精确的单目3D目标检测端对端方法，包括一种可微分的2D ROI到3D ROI 提升映射，并提供了用于回归3D box 实例的所有组件；
2. 一种用于在度量空间对其3D box的损失函数，直接优化其关于真值的误差；
3. 扩展模型，将其用于预测度量纹理面片，保证了进一步的3D 推理，包括3D 一致性仿真数据增强。

称该模型为"ROI-10D"，将2D ROI提升到3D ROI需要6自由度的位姿参数，3个自由度的空间体积，和一个形状自由度。

2 相关工作

3 用于位姿和形状估计的单目10D提升

分三个部分介绍了方法：

1. 模型结构
2. 用于3D的损失函数
3. 学习得到的度量形状空间，以及如何使用估计的形状参数进行3D重建

3.1 端到端的单目结构

类似于Faster RCNN，首先检测2D区域的proposals，然后为每个proposal region执行分支预测。2D proposals使用了FPN-ResNet34，并使用了focal loss加权。对每个检测到的proposal region使用ROIAlign 提取用于预测分支的特征。

由于信息缺失和重投影模糊，从单目图像中直接回归3D信息是病态、不稳定的。该文献使用了state-of-the-art的SuperDepth 网络预测输入图像中逐像素的深度值。然后将FPN网络输出的特征与深度特征堆积在一起，使用带有Group Normalization 的两个卷基层处理得到融合特征，最后使用检测到的2D bbox和ROI Align在ROI Lifting中提取对应的特征，回归3D旋转、平移、目标的绝对尺度以及目标形状。

3.2 由单目2D实例到6D位姿

该问题其实是一个可微分的提升映射，$\mathcal{F}: \mathbb{R}^4\rightarrow \mathbb{R}^{8\times 3}$F:R4→R8×3，即从一个2D的ROI $\mathcal{X}$X到一个3D的bounding box $\mathcal{B}:=\{B_1, \dots, B_8\}$B:={B1​,…,B8​}。将旋转编码为4D的四元数，将平移编码为2D物体中心的相对深度。此外，使用到数据集平均体积的偏差描述物体三维体积。

给定一个2D ROI $\mathcal{X}$X，使用ROIAlign提取指定区域特征，分别预测出旋转量$q$q、相对于ROI的2D中心$(x, y)$(x,y)、深度值$z$z和物体的绝对尺度$(w, h, l)$(w,h,l)，提升映射为：

$B_i :=q\cdot \begin{pmatrix} \pm w/2\\ \pm h/2\\ \pm l/2 \end{pmatrix}\cdot q^{-1} + K^{-1} \begin{pmatrix} x\cdot z\\ y\cdot z\\ z \end{pmatrix}$Bi​:=q⋅⎝⎛​±w/2±h/2±l/2​⎠⎞​⋅q−1+K−1⎝⎛​x⋅zy⋅zz​⎠⎞​

其中$K$K为相机内参矩阵

损失函数

当仅从单目图像中估计位姿参数时，像素空间中的微小误差可以导致位姿参数的剧烈变化。我们将问题提升到了3D，并使用了6D自由度的代理损失函数。因此，没有同时对所有预测项进行优化，而是让网络在训练期间自己调整。给定一个3D bbox $\mathcal{B^*}:=\{B^*_1, \dots, B^*_8\}$B∗:={B1∗​,…,B8∗​}和对应的2D检测框 $\mathcal{X}$X，其到3D的提升映射为 $\mathcal{F}$F，在度量空间关于八个3D角点的损失函数为：
$\mathcal{L}(\mathcal{F}(\mathcal{X}), \mathcal{B}^*)=\frac{1}{8}\sum_{i=1}^8\|\mathcal{F}(X)_i-\mathcal{B}^*_i\|$L(F(X),B∗)=81​i=1∑8​∥F(X)i​−Bi∗​∥

在训练过程中，需要一个warm up过程以得到稳定的数值流形。因此训练单个的预测项，直到得到稳定的3D box实例。

Allocentric 回归 and Egocentric 提升

相机光轴是否对准目标中心，Egocentric 以相机为中心，相机光轴不一定对准目标中心，allocentric是以目标为中心。两者的区别在于当发生与相机之间的位移时，Allocentric中相机光轴随着目标位移而移动，目标的形状变化不大，而Egocentric中相机光轴不变，目标的形状变化较大。
大视场条件下，Allocentric pose estimation很重要。(Allocentric Pose Estimation. ICCV 2013.)

由于ROI缺少全局的信息，在回归时认为四元数是Allocentric的，然后结合推理出来的平移量矫正为Egocentric，然后提升到3D boxes。

3.3 目标形状学习与检索

介绍了如何将端到端的单目3D目标检测模型扩展到预测三角面片，并用于数据增强。

学习一个光滑的形状

给定了50种商用模型，我们创建了一个映射受限的带符号的距离场（TSDF）$\phi_i$ϕi​，大小为$128\times 128\times 256$128×128×256。首先使用PCA学习低维的形状，实验中发现形状空间很快地偏离了均值。使用PCA生成形状要求评价每一维度的标准差。因此，我们使用一个3D自编码/解码器 $E$E和$\mathcal{D}$D，对输出的TSDF强制不同的约束。$E$E和$\mathcal{D}$D都使用了1，8， 16， 32四种卷基层。此外我们使用核为6的全卷积层作为隐藏层。在训练过程中将所有的隐藏层映射到半球上，以保证连续性。对输出层的跳跃通过总方差进行惩罚，损失函数为：

$\mathcal{L}(E, D, \phi) = |\mathcal{D}(E(\phi)-\phi)|+|\|E(\phi)\|-1|+|\triangledown \mathcal{D}(E(\phi)|$L(E,D,ϕ)=∣D(E(ϕ)−ϕ)∣+∣∥E(ϕ)∥−1∣+∣▽D(E(ϕ)∣

形状真值的标注

对于3D 提升器的形状分支，预测形状$s$s和形状真值$s^*$s∗间的相似度由两点在半球上的角度决定：
$\mathcal{L}_{shape}(s, s^*)=\arccos(\langle s, s^*\rangle^2 -1)$Lshape​(s,s∗)=arccos(⟨s,s∗⟩2−1)
在推理时，我们预测了低维的隐藏层向量，并将其传递给解码器以得到TSDF表示。

简单面片纹理

模型可以得到目标的尺度与形状，可以投影检索得到的3D面片。我们将朝向相机的定点映射到图像平面，并赋予相应的值。

3.4 仿真3D 数据增强

KITTI3D数据集较小，且3D真值获取耗时耗力，采用仿真数据是一种常用方法。文章使用提取得到的面片以生成真实的渲染，而不是写固定的CAD模型。此外，仿真目标的摆放没有太多限制。使用allocentric pose移动目标，不改变视角。

4实验