Disp R-CNN Stereo 3D Object Detection via Shape Prior Guided

论文链接：https://arxiv.org/abs/2004.03572

代码链接：https://github.com/zju3dv/disprcnn

  提出的系统估计一个实例视差图，即仅在前景对象上的像素级视差，用于立体 3D 对象检测。这种设计可以获得更好的视差估计精度和更快的运行速度。

前文

Disp R-CNN 网络相较于一般的 3D 目标检测模型，不同点主要在：

1. 该网络仅估计感兴趣目标的视差；
2. 学习特定类别形状先验以获得更精确的视差估计；
3. 可以不使用 LiDAR 提供的点云，而使用统计形状模型生成稠密视差伪 GT；

观点

  由于视差估计网络是为一般的立体匹配而设计的，而不是用于三维目标检测任务，这些整体流程有两个主要的缺点：（1）视差估计过程是在全图像上进行的，在低纹理或非朗伯面（从任何角度观察反射面，其反射亮度是一个常数，这种反射面称朗伯面。）上，比如车辆表面，往往不能产生准确的视差，而这些区域正是成功进行三维边界盒估计所需要的区域。（2）由于前景感兴趣的目标在图像中所占的空间通常比背景小得多，视差估计网络和3D检测器在目标检测不需要的区域上花费了大量的计算，导致运行速度慢。

目的

  视差图是为整个图像计算的，代价较高，没有利用分类特定的先验。相比之下，本文设计了一个实例视差估计网络(iDispNet)，该网络仅对感兴趣的物体上的像素预测视差，并事先学习一个特定类别的形状，以获得更准确的视差估计。

贡献

1. 一种新的基于实例级视差估计的立体三维物体检测框架，在精度和运行速度方面都优于最先进的基线。
2. 伪GT生成过程，为实例视差估计网络提供监督，引导其提前学习有利于三维物体检测的物体形状。

网络结构

  Disp R-CNN Architecture。分三个阶段：首先，输入的图像通过一个立体变体的Mask R-CNN 检测二维边界盒和实例分割掩模。然后，实例视差估计网络 (iDispNet) 以裁剪后的 RoI 图像为输入，估计一个实例视差图。最后，将实例视差图转换为实例点云，并送入三维检测器进行三维边界盒回归。

  简单来说，首先检测每个对象的 2D 边界盒和实例掩模，然后仅对属于对象的像素进行差异估计，最后使用 3D 检测器从实例点云预测 3D 边界盒。

简单知识

1. [1] 利用点云必须位于物体表面的约束，利用立体差异生成的点云和利用 PCA 从三维形状库中学习到的物体形状先验模型，联合优化物体的姿态和形状。

[1] Francis Engelmann, J¨org St¨uckler, and Bastian Leibe. Joint object pose estimation and shape reconstruction in urban street scenes using 3d shape priors. In German Conference on PatternRecognition, pages 219–230. Springer, 2016.

2. 按照 [2] 中的设置，使用 PSMNet 作为 iDispNet 的架构。后面使用了 PointRCNN 作为 3D 对象检测器。为了提高伪GT生成过程的稳定性，仅对位于 GT 三维边界盒内的点进行优化。对于小于 10 点的物体，不需要进一步优化，直接使用平均形状。

[2] Yan Wang, Wei-Lun Chao, Divyansh Garg, Bharath Hariharan,Mark Campbell, and Kilian Q Weinberger. Pseudo-lidarfrom visual depth estimation: Bridging the gap in 3d objectdetection for autonomous driving. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 8445–8453, 2019.

4. 在并发作品中，OC-Stereo 和 ZoomNet 与本文的观点相似。 OC-Stereo 结束后使用 LiDAR 点作为监督，ZoomNet 引入了细粒度的注释来生成 GT ，而本文的伪 GT 是根据优化的对象形状进行渲染的，比OC-Stereo更精确，比 ZoomNet 更高效，因此可以提高 KITTI 测试仪的性能。
5. 当伪 GT 为 GT 时，iDispNet 的视差和深度误差比全帧 PSMNet 小很多。在稀疏激光雷达点作为 GT 的情况下，iDispNet 仍然比全帧法 PSMNet 和最先进的深立体视觉方法 GA-Net 具有更好的性能，特别是对于目标深度RMSE 误差。全帧 PSMNet 无法捕捉到车辆光滑的表面和锐利的边缘，因此 导致以下 3D 检测器很难从不准确的点云中预测出正确的边界盒。相比之下，iDispNet 在实例视差估计和视差伪 GT 的监督下，给出了更准确和稳定的预测。

详解

1. Stereo Mask RCNN

  扩展 Stereo R-CNN 框架来预测左图的实例分割掩模。Stereo Mask RCNN 由两个阶段组成。第一阶段是区域提议网络（RPN）的变体，其中左图像和右图像的对象提议是从同一组锚点生成的，以确保左区域和右区域之间的感兴趣区域正确对应（RoIs）。第二阶段使用 RoI Align 从特征图中提取对象特征，然后是两个预测头，它们产生 2D 边界框，分类分数和实例分割掩码。

2. Instance Disparity Estimation Network

  视差估计模块负责立体三维物体检测中三维数据的恢复，其精度直接影响三维检测的性能。iDispNet 只将目标 RoI 图像作为输入，只对前景像素进行监督，从而捕获特定类别的形状先验，从而产生更准确的视差预测。
通常：定义像素 p 的全帧视差为:

RoIs 对齐后，实例视差为：

左右两幅图像的 RoI 都被调整为一个共同的大小 H×W。对于实例分割掩码给出的属于一个对象实例 O 的所有像素 p，其实例差异的损失函数定义为:


三维坐标 (X,Y,Z) 的推导如下:

3. Pseudo Groundtruth Generation

  利用目前只需要前景监督的 iDispNet 的设计，提出了一种不需要激光雷达点就能生成大量稠密视差伪 GT 的方法。生成过程是通过一个特定类别的形状先验模型实现的，根据该模型可以重建物体的形状，然后将其渲染到图像平面上，获得密集的视差 GT。这里使用体积截断带符号的距离函数(TSDF)作为形状表示。
  作者提出无需LiDAR点即可生成大量的密集视差伪GT的方法如下：
  （1）通过特定类别的形状先验模型来重建对象形状，然后将其绘制到图像平面以获得密集的GT视差。
  （2）使用体积截断符号距离函数（TSDF）作为形状表示。对于车辆这种形状变化较小的物体，可通过低维子空间来近似，子空间的基础表示为V，它是从训练形状的前导主分量获得的，平均形状表示为μ。
  （3）通过给定的3D边界框GT和实例点云，以最小化代价函数的方式来重建实例的形状系数z：只有z在优化过程中被更新。这个代价函数最小化了由TSDF的零点交叉定义的从点云到物体表面的距离。点云可以来自视差估计模块或任意的LiDAR。
  由于上述代价函数不限制物体形状的3D尺寸，因此提出尺寸正则化项来减少3D边界框的溢出。

  伪 GT 生成过程中，如果体素在 3D box 之外，则 TSDF 值为负值，并在维度正则化过程中对其进行惩罚，从而使形状表面停留在三维包围盒内。左右分别表示没有和有正规化尺寸的物体形状。

4. 设计与选择

a) Choices on network design

iDispNet设计有两种选择，第二种实验结果更好：
i.   仅使用iDispNet的解码器部分作为预测头，类似于掩模R-CNN中的掩模头。将从主干中提取的感兴趣区域特征用于视差估计，并将视差头与网络其余部分进行端到端训练。
ii.   从原始图像中裁剪出感兴趣图像，然后将裁剪后的图像送入iDispNet的编解码器网络中。
  原因分析：  与实例细分和视差估计任务之间的不同要求有关。视差估计需要更细粒度的显著特征表示，以使像素上的代价量处理更准确，而监督实例分割，对每个属于对象的像素预测相同的类概率。通过联合训练网络的端到端版本，骨干必须在这两种不同的任务之间进行平衡，从而导致次优结果。

b) Choices on the point cloud for Pseudo-GT generation

i.   利用可选的深度补全步骤来提高数据集中的稀疏激光雷达点云密度
ii.   在其他数据集上训练的现成视差估计网络的预测（例如在 KITTI Stereo 上训练的 PSMNet）。
  (i) 可能会给出更准确的点云。但是其中没有使用 LiDAR 点作为优化目标的数据集或应用场景；(ii) 在不使用激光雷达点云的情况下表现良好。