纵目发表的这篇单目3D目标检测论文不同于以往用2D预选框建立3D信息，而是采取直接回归3D信息，这种思路简单又高效，并不需要复杂的前后处理，而且是一种one stage方法，对于实际业务部署也很友好。

来源：杰读源码 微信公众号

论文：SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation

• 论文:https://arxiv.org/pdf/2002.10111.pdf
• 代码:https://github.com/open-mmlab/mmdetection3d

Introduction

2D目标检测目前已经在精度和速度上都取得了不错的成绩，而3D目标检测由于需要同时估计出目标的位置与姿态，因此相比2D是一个更具挑战的方向。
目前性能最好的3D目标检测还是需要依赖激光雷达的点云或者点云+图像融合，考虑到成本因素，仅依靠单目摄像头的3D目标检测还是非常值得研究的。
本作有以下几个贡献点:

• 提出了一个one-stage单目3D检测方法，思路简答，且end-to-end。
• 3D框8个角点的计算使用了多种方式得到，每种方式都参与了loss的计算，使训练更容易收敛。
• 在KITTI数据集上达到了SOTA。

Detection Problem

为了方便下面对细节详细展开描述，这里先将3D目标检测概述下:
给定一张RGB图像，和分别代表图像的宽高，需要识别出图像中每个目标的分类以及框的信息，将由下面7个变量代表，代表目标的高度、宽度、长度单位为，是目标的中心坐标，单位为，代表目标框的航向角，和这两个角度在KITTI数据集中为0，此外，还假定相机的内参是已知的。

SMOKE Approach

Backbone

主干网络选择使用DLA-34，其中部分卷积换成了DCN，最后的输出相对于原始图4次下采样的特征图。论文还将BN换成了GN(GroupNorm)，因为GN对batch size的大小不那么敏感，且在训练中对噪声更鲁棒。

3D Detection Network

head部分一共两条分支，一条用于检测目标中心点位置同时分类，另一条回归目标的3D信息。

Keypoint Branch

中心点的估计与那片论文的思路相似，不同的是里用的是2D框的中心点，而这里用的是3D框的中心点在图像上的投影点，如下图所示:

Regression Branch

回归分支在每张热图上预测3D信息，3D信息被编码成，其中为深度补偿值，和为下采样造成的误差所需的坐标补偿值，，，为尺寸的补偿值，和为计算航向角所需的值。

深度值由预先定义的缩放系数和补偿值计算得到:

得到了深度值，加上下采样中的补偿值和特征图上中心点的投影点以及相机内参的逆矩阵，可得目标的3D位置(单位):

在3D框尺寸的计算前，先分析整个数据集得到得到所有目标的均值，然后使用预测得到的补偿系数即可获取真正的尺寸:

在航向角的估计中，论文中采取回归角度(如下图),来作为计算航向角:

最终，可得3D框的8个角点:

其中代表航向角转变而来的矩阵，代表8个角点表示的3D框。

Loss Function

Keypoint Classification分支的loss跟中一样，用的是focal loss。

Regression分支的loss计算比较有新意，没有采取直接计算中8个参数的loss，而是通过在角度、尺寸、坐标位置三种分支下得到的3D框的8个角点去和真值比较计算loss。

总loss:

其中代表中心点的分类loss，代表分支，代表预测框的8个角点，代表角点回归loss。

# mmdetection3d/mmdet3d/models/dense_heads/smoke_mono3d_head.py
# 角度分支下计算得到的3D框，所谓角度分支即只有角度用的是预测值，而坐标位置和尺寸两个用的是真值
bbox3d_yaws = self.bbox_coder.encode(gt_locations, gt_dimensions, orientations, img_metas)
# 尺寸分支下计算得到的3D框
bbox3d_dims = self.bbox_coder.encode(gt_locations, dimensions, gt_orientations, img_metas)
# 坐标位置分支下计算得到的3D框
bbox3d_locs = self.bbox_coder.encode(locations, gt_dimensions, gt_orientations, img_metas)
...
...
# 三种分支下分别计算推理出的8个角点的和真值8个角点的loss
loss_bbox_oris = self.loss_bbox(pred_bboxes['ori'].corners[reg_inds, ...], target_labels['gt_cors'][reg_inds, ...])

loss_bbox_dims = self.loss_bbox(pred_bboxes['dim'].corners[reg_inds, ...], target_labels['gt_cors'][reg_inds, ...])

loss_bbox_locs = self.loss_bbox(pred_bboxes['loc'].corners[reg_inds, ...], target_labels['gt_cors'][reg_inds, ...])

loss_bbox = loss_bbox_dims + loss_bbox_locs + loss_bbox_oris

Conclusion

纵目发表的这篇单目3D目标检测论文不同于以往用2D预选框建立3D信息，而是采取直接回归3D信息，这种思路简单又高效，并不需要复杂的前后处理，而且是一种one stage方法，对于实际业务部署也很友好。

如果本文对你有帮助，更多内容请关注微信公众号【杰读源码】