谷歌最新论文：手机端的实时3-D目标检测

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

本文由知乎作者黄浴授权转载，不得擅自二次转载。原文链接：https://zhuanlan.zhihu.com/p/112836340

大家都看到谷歌博客的介绍，最新开源工作，手机端的实时3-D目标检测。这里看一下这个软件的论文，即3月7日上载arXiv的论文“MobilePose: Real-Time Pose Estimation for Unseen Objects with Weak Shape Supervision“。

摘要：本文解决的是从RGB图像中检测出没见过的目标并估计其3D姿态的问题。包括两个移动端友好网络：MobilePose-Base和MobilePose-Shape。前者用于只进行姿势监督的情况，而后者用于形状监督，甚至是较弱的情况。回顾一下之前人们使用的形状特征，包括分割和坐标图（coordinate map）。然后解释了什么时候以及为什么像素级形状监督可以改善姿态估计。因此，在MobilePose-Shape中将形状预测添加为中间层，并让网络从形状中学习姿势。其模型在混合真实数据和合成数据上进行训练，并做弱和含噪的形状监督。模型非常轻巧，可以在现代移动设备上实时运行（例如Galaxy S20上为36 FPS）。与以前的单样本学习解决方案相比，该方法具有更高的准确性，使用的模型也要小得多（模型大小或参数数量仅仅占2-3％）。

实例-觉察（instance-aware）方法从一组已知目标中学习姿势，并有望在相同实例上工作。模型-觉察（model-aware）的方法在后期处理中需要目标的3D CAD模型。深度-觉察（depth-aware）方法除RGB图像外还需要深度图像用于姿势估计。检测-觉察（detection-aware）的方法依赖于现有的2D检测器来找到目标边框或ROI。

形状特征已被用于估计姿势，采用的方法在后处理中而不是在网络中使用形状预测。也就是说，它们首先通过CNN推断形状特征，然后使用多视角几何的PnP或点云ICP将其与3D模型对齐。实时解决方案使姿态估计技术更接近于应用，只是这些模型必须轻巧才能实时运行，最好是单次运行。

首先，MobilePose-Base作为基准网络，它可以检测到无锚点的未见目标，并采用单样本估计目标姿势。这种主干网设计为流行的编码器-解码器体系结构。为了构建一个超轻量级的模型，选择MobileNetv2 来构建编码器，该编码器被证明可以在移动设备上实时运行，并且胜过YOLOv2。MobileNetv2建立在反向残差块上（inverted residual blocks），其中快连接（shortcut connections）放在薄的瓶颈层之间。块中使用了ES（expansion-and-squeeze）方案。为使模型更轻，移除了瓶颈处某些带较大通道的块，减少了一半的参数。

如图所示，蓝色和紫色框分别是卷积和反卷积块。橙色框代表反向残差块。图中所示的块数及其尺寸在实现中完全相同。输入是大小为640×480×3的图像。编码器以卷积层开始，然后是五级反转残差块。瓶颈处使用了四个128-通道块，而不是MobileNetv2的四个160-通道块和一个320-通道块。解码器由一个反卷积层、一个和编码器相同尺度层跳连接（skip connection）的连接层和两个反向残差块组成。

在主干之后附加两个头：检测和回归。检测头（detection head）的想法来自2D目标检测中的无锚（anchor-free）方法。将目标建模为围绕它们中心的分布，检测头输出40×30×1的热图（heat map），最终损失函数使用了简单的L2（均方误差）。

锚点图、分割图和分布图

如上图比较了单样本姿势估计中使用的不同检测方法。基于锚点的方法在网格单元处设置锚，并在正的锚点（绿点）处回归边框。通过临时分配多个锚点来处理同一单元的多个目标。分割方法通过分割实例查找目标。对于同一类别的多个目标，需要实例分割以区分目标。将目标建模为高斯分布，并通过找峰值进行检测。为了更好地说明，图中使用了高分辨率，而模型的实际分辨率为（40×30）。

上图中多个目标的位移场（Displacement fields）根据它们的热度合并在一起。回归头（regression head）输出一个40×30×16的张量，其中每个矩形顶点贡献两个位移通道。在图中，只显示了两个位移场。为了容忍峰值提取的误差，所有带明显热度的像素位移参与回归。为此，该头使用L1损失（平均绝对误差）函数，更为稳健。

反过来，看看形状。即使是薄弱的监督，MobilePose- Shape可以预测中间层的形状特征。其思想是引导网络学习与姿势估计有关的高分辨率形状特征。其实，在没有监督的情况下简单引入高分辨率特征不会改善姿势估计，这是因为边框顶点的回归是在低维空间。在无监督情况下，网络可能会在小尺度上过拟合特定于目标的特征。此问题对于实例-觉察的姿势估计方法无效，但不是这里的未知目标情况。

与先前的方法相似，选择坐标图和分割作为类内（intra-category）形状特征。坐标图具有三通道，分别对应于3-D的坐标轴。如果训练数据有目标的CAD模型，则可以使用归一化坐标作为颜色来渲染坐标图。坐标图是像素级信号的强大特征，但是，它需要目标的CAD模型和姿势，而这些模型和姿势很难获取。因此这里将分割作为另一个形状特征添加。为简单起见，使用语义分割，在形状监控中增加了一个通道。分割是姿势估计的弱项，仅仅给定未见目标的分割，不足以确定其姿势。但是，也不需要目标的CAD模型和姿势，而且更容易获得。

有了形状特征，用解码器中的高分辨率层和形状预测层来修改网络。如上图所示，在解码器中组合了多尺度特征。在解码器的末尾添加一个形状层，以预测形状特征。然后将其与解码器连接起来，在下采样后连接姿势头（pose heads）。具体来说，用四个倒置的残差块来降低分辨率，并最终连接检测头和回归头。形状头（shape head），大小160×120×4，具有四个具有L2损失（均方误差）的通道。在计算该损失时，将跳过没有形状标签的训练示例。通过实验，发现即使在监督不力的情况下，通过引入高分辨率形状预测也可以改善姿势估计。

尽管模型很轻巧，但后处理对移动应用程序也是至关重要的组件。昂贵的算法是不考虑的，比如RANSAC，大规模PnP和ICP。这里将后处理简化为两个便宜的操作：峰提取和EPnP。

为了计算3D边框的投影顶点，提取检测输出的峰值，即40×30热图。

给定投影的2D边框顶点和相机标定的内参数，采用EPnP算法来恢复3D边框的大小。该算法具有恒定的复杂度，可以解决12×12矩阵的特征分解，它不需要已知目标的大小。

缺乏训练数据是6自由度（DoF）姿势估计仍然存在的挑战。先前大多数方法都是实例觉察方法，由一个小数据集进行监督训练。为了解决未见目标的问题，这里开发了一个流水线来收集和注释由AR移动设备记录的视频片段。

尖端AR解决方案（例如ARKit和ARCore）可以用视觉-惯性-里程计算（VIO）实时估算摄像机的姿势和稀疏3D特征。这种设备能够以可承受且可扩展的方式生成3D训练数据。

数据流水线的关键是高效，准确的3D边框标注。这里构建了一个记录序列显示2D和3D视图的可视化工具。注释者在3D视图绘制3D边框，在整个序列的多个2D视图进行验证。基于AR估计的相机姿态，绘制的边框将自动填充到序列中的所有帧。

一个例子是，1800个鞋子的视频进行剪辑添加注释。在各种环境下，不同鞋子的视频片断有几秒钟。只为一个或一双鞋子接受一个视频片断，因此，每个片断的目标完全不同。在这些剪辑中，随机选择了1500个用于训练，其余300个用于评估。最后，考虑到同一剪辑中的相邻帧非常相似，随机选择了10万个图像进行训练，并选择1000个图像进行评估。如表1所示，真实数据仅具有3D边框标签，这是因为，逐帧注释像素级的形状标签非常昂贵。

为了提供形状监督并丰富现有的实际数据集，也生成了两组综合数据。第一个合成3D数据具有3D标签。收集只有背景的场景AR视频剪辑，并将虚拟目标放置到场景中。具体来说，在场景中检测的平面上以随机的姿势渲染虚拟目标，例如桌子或地板。重用估计的灯光在AR会话（AR Session）进行照明。AR 会话数据的度量单位为公制。因此，一致地渲染虚拟目标与周围的几何形状。收集了100个常见场景的视频片段：家庭、办公室和室外。对每个场景，通过渲染50个随机姿势的鞋子来生成100个序列。每个序列包含许多鞋子。从生成的图像随机选择8万进行训练。下图展示一些合成的视频例子。

尽管合成3D数据具有准确的标签，但是目标和背景的数量仍然有限。因此，还通过从互联网上抓取图像来构建合成2D数据集。这里抓取了透明背景下的鞋子图像7.5万个和背景（例如办公室和家庭）图像4万个。滤除有微小错误（例如无透明背景下的）的鞋子图片。按Alpha通道对鞋子进行细分，然后将它们随机粘贴到背景图像中。如上图所示，生成的图像不真实，标签噪声很大。粗略估计大约有20％的图像有轻微的标签错误（例如，小缺失部分和阴影），约10％的图像有严重的标签错误（例如，非鞋子物体和较大的额外背景区域）。

最后，看看一些实验定性结果例子：

上述内容，如有侵犯版权，请联系作者，会自行删文。

推荐阅读：

吐血整理|3D视觉系统化学习路线

那些精贵的3D视觉系统学习资源总结（附书籍、网址与视频教程）

超全的3D视觉数据集汇总

大盘点|6D姿态估计算法汇总(上)

大盘点|6D姿态估计算法汇总（下）

机器人抓取汇总|涉及目标检测、分割、姿态识别、抓取点检测、路径规划

汇总|3D点云目标检测算法

汇总|3D人脸重建算法

那些年，我们一起刷过的计算机视觉比赛

总结|深度学习实现缺陷检测

深度学习在3-D环境重建中的应用

汇总|医学图像分析领域论文

大盘点|OCR算法汇总

重磅！3DCVer-知识星球和学术交流群已成立

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导，660+的星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、可答疑解惑、助你高效解决问题

欢迎加入我们公众号读者群一起和同行交流，目前有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、CV入门、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别等微信群，请扫描下面微信号加群，备注：”研究方向+学校/公司+昵称“，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进去相关微信群。原创投稿也请联系。

▲长按加群或投稿