论文阅读笔记：(2021.06, cvpr) Monocular 3D Object Detection: An Extrinsic Parameter Free Approach

这是一篇发表在了cvpr 2021上，能够在线估计外参的单目3D目标检测算法，借鉴了visual odometry和style transfer的方法，效果好， 速度快（~30ms）， 意料之外，情理之中，非常值得一看！

paper:https://openaccess.thecvf.com/content/CVPR2021/papers/Zhou_Monocular_3D_Object_Detection_An_Extrinsic_Parameter_Free_Approach_CVPR_2021_paper.pdfhttps://openaccess.thecvf.com/content/CVPR2021/papers/Zhou_Monocular_3D_Object_Detection_An_Extrinsic_Parameter_Free_Approach_CVPR_2021_paper.pdf

精度对比：KITTI Cars Moderate Benchmark (Monocular 3D Object Detection) | Papers With Codehttps://paperswithcode.com/sota/monocular-3d-object-detection-on-kitti-cars

主要观点/贡献：

1. 实际使用单目3D目标检测的时候，需要考虑相机外参，否则检测结果会偏近或者偏远；

实现方式：

1. 借助VO（visual odometry）的方法，估计地平面和消失点，从而获得相机的外参；

2. 用估计出来的相机外参，并借鉴style transfer的方法，进行feature transfer, 把feature变换成相机光轴和地平面平行的情形；其中，位置/边缘等content 相关的feature要变，光照/纹理等style相关的feature不用变，如下图：

 

重要参考文献：

1. Deep learning for vanishing point detection on 1 million street view images

2. Perceptual losses for real-time style transfer and super-resolution