M3D-RPN

M3D-RPN

Post 3D–>2D Optimization

  • 下图是M3D-RPN优化旋转角的方法
  • 其优化角度的方式挺不错的,严格利用了3d框投影在图像上的8个角点会与2D框重合
  • 该优化旋转角的方式,是否适合depth估计的迭代优化,即大致流程如下:
    d_init = predict()
    d_init_1 = d_init + sigma
    d_init_2 = d_init - sigma
    ...
    ### 用d_init_1, d_init_2, 找一个度量来衡量其loss(在本论文中使用的方法是3d框投影在图像上的8个角点会与2D框重合程度)
    

M3D-RPN_第1张图片

Depth Aware 作用

M3D-RPN_第2张图片

  • 在3D中非常有效果
  • Post Optimization 能够提高IOU
    M3D-RPN_第3张图片
  • 2d检测更依赖全局feature
  • class 和3d检测更依赖局部特征

2D/3D anchor

  • 其实就是一个个template, 该template在图像中的scale与深度有关,而对于不同的目标的category,它们的scale分布也有所不同
  • 这片文章最主要说明的是:在单目3D中,目标的深度与目标在图像中的Scale紧密相关.

你可能感兴趣的:(deep,learning,3d,bounding,box,3d,bounding,box,deep,learning)