【单目3D目标检测】MonoDLE论文精读与代码解析

Preface

[CVPR2021] Ma X, Zhang Y, Xu D. Delving into localization errors for monocular 3d object detection[C]. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 4721-4730.
Paper
Code
单目3d目标检测-monodle解析

Abstract

通过密集的诊断实验（intensive diagnostic experiments），量化了单目3D目标检测中每一个子任务的影响，发现定位误差（localization error）是主要的限制因素。同时，本文还分析了定位误差背后的潜在原因以及带来的影响，并提出了三种策略：首先，重新审视了 2D 框中心与 3D 对象投影中心之间的偏差，这是一个导致定位准确性低的重要因素。其次，观察到使用现有技术准确定位远距离对象几乎是不可能的，而这些样本会误导学习网络。为此，建议从训练集中删除此类样本以提高检测器的整体性能。最后，还提出了一种面向 3D IoU 的损失，用于对象的大小估计，不受“定位误差”的影响

Contributions

• 首先，对单目 3D 检测进行了密集诊断实验。除了发现“定位错误”是限制单目 3D 检测的主要问题，此外，还量化了每个子任务的整体影响
• 其次，针对远距离目标提出了两种策略来提高整体检测性能，即hard coding和soft coding
• 最后，提出了一种面向 3D IoU 的损失，用于对象的大小估计，不受“定位误差”的影响

Diagnostic Experiments

为了定量地分析问题，本文进行了密集的诊断实验，通过逐步用真值替代baseline中的预测值的方法，提出了以下三个发现：

• 定位误差是限制单目 3D 检测的关键因素。此外，除了深度估计外，检测3D物体的投影中心在恢复物体的3D位置方面也起着重要作用。为此，回顾了2D框中心与3D对象的投影中心之间的偏差，证实了保持2D检测相关分支的必要性，通过这种方式，2D 检测被用作相关的辅助任务来帮助学习与 3D 检测共享的特征，这与SMOKE中丢弃 2D 检测的现有工作不同
• 观察到检测精度随着距离的增加而显著下降，认为由于不可避免的定位错误，几乎不可能使用现有技术准确地检测远距离对象，为此，提出了两种方案：从训练集中去除远距离样本，以及降低了这些样本的训练损失权重
• 观察到除了定位误差之外，像3D框的尺寸估计也是限制3D目标检测的重要因素，现有方法倾向于独立优化 3D 边界框的每个组件。然而，未能考虑每个损失项对最终度量(即3D IoU)的贡献可能会导致次优优化。为了缓解这个问题，提出了一种用于 3D 大小估计的 IoU 定向损失。新的面向 IoU 的损失根据其对 3D IoU 的贡献率动态调整样本级别每一方的损失权重

Pipeline

MonoDLE论文中没有给出网络的完整框架，而是基于baseline做的若干实验，其中baseline是基于centernet的非常经典的结构：

• Backbone：DLA34
• Neck：DLAUp
• 2D Detection：3个分支
  • 第一个分支输出heatmap预测分类分数以及2D 框中心的粗坐标$\mathbf{c}=(u,v)$，注意，Baselibe的2D框中心粗坐标，用的是标签中2D框中心作为GT值来监督，在后文中坐着针对这一点有专门的讨论，选择了3D投影坐标作为粗坐标的监督
  • 另一分支输出预测的2D粗坐标与真实坐标之间的偏移${\mathbf{o}}^{\mathbf{i}}=\left(\Delta u^i,\Delta v^i\right)$
  • 最后一个分支预测2D框的size
• 3D Detection：3个分支
  • 第一个分支输出2D粗坐标与真实的3D投影坐标${\mathbf{c}}^{\mathbf{w}}={\left[x^w{y}^w\right]}^T=\mathbf{c}+{\mathbf{o}}^{\mathbf{w}}$之间的偏移${\mathbf{o}}^{\mathbf{w}}=\left(\Delta u^w,\Delta v^w\right)$
  • 第二个分支预测3D框的size
  • 最后一个分支预测偏航角$\gamma$
• Loss：分为7个部分
  • 分类损失：Focal Loss
  • 2D 中心点损失：L1 Loss
  • 2D size损失：L1 Loss
  • 3D 深度估计损失：
  • 3D 中心点损失：L1 Loss
  • 3D heading angle：multi-bin Loss
  • 3D size：普通的L1 Loss & 本文提出的 IoU Loss

Revisiting Center Detection

这一部分就讨论了一件事：用于粗中心坐标$\mathbf{c}=(u,v)$的监督应该是什么？本文的答案是3D投影中心坐标

• 使用3D投影的中心坐标，有助于估计粗略的中心感知 3D 几何信息，并与估计 3D 对象中心的任务更相关，这是定位问题的关键

• 上图展示了Center definition和Multi-task learning不同设置的效果，其中’PC’, ‘RF’和 ‘MT’ 分别表示’projected 3D center’, ‘refinement’（预测2D中心和3D中心之间的offsets）, and ‘multi-task learning’（2D和3D检测联合进行）
• 从a到b说明了预测offsets有助于补偿2D中心和3D中心之间的偏差
• 从b到d说明了使用3D 投影中心作为粗坐标的监督可以进一步提升检测性能
• 从c到d说明了Multi-task learning有助于3D检测，同时d的2D检测的精度也优于c，说明由3D检测生成2D包围框可能会降低2D检测结果的质量

• 上图定性比较了，分别使用2D Center和3D 投影中心作为粗坐标监督的影响，可以看出使用3D 投影中心作为监督效果更好
  • 第二行为2D Center监督下，网络输出粗坐标的特征可视化结果
  • 第三行为3D 投影中心监督下，网络输出粗坐标的特征可视化结果
  • 其中GT用circle显示，以区别网络输出的特征图
• 本文保留了2D检测分支，认为2D 检测可以作为辅助任务，有助于学习更好的 3D 感知特征

Training Samples

这一部分讨论了忽略远距离目标有助于提高3D目标检测的整体性能，为此提出了两个对应的方案：

• Hard coding：当样本的深度超过给定值，就直接舍弃，不会在训练阶段使用
  $$w_i=\{\begin{array}{ll}1& \text{ if }{d}_i\le s\\ 0& \text{ if }{d}_i>s\end{array}$$
• Soft coding：距离越远，样本的权重值越小，$c$和$T$分别为调整对称性和弯曲度中心的超参数，本文中默认为$c=60,T=1$
  $$w_i=\frac{1}{1+e^{\left(d_i-c\right)/T}},$$

• 上图展示了Training Samples的定性分析结果，评价指标为Car类别的$A{P}_{40}$
• 可以看到hard encoding, s=60效果最好
• 值得注意的是，这些远距离样本占比非常少，在7481张图片的trainval数据集中，超过60和65米的目标仅占比4.5%和2.7%
  代码中对应实现如下lib\datasets\kitti\kitti_dataset.py：

object_num = len(objects) if len(objects) < self.max_objs else self.max_objs  
for i in range(object_num):  
	...
    # ignore the samples beyond the threshold [hard encoding]  
    threshold = 65  
    if objects[i].pos[-1] > threshold:  
        continue
    ...

• 目前我只在代码中找到hard coding，并没有soft coding的处理
• 关于Training Samples的Issue：https://github.com/xinzhuma/monodle/issues/9

IoU Oriented Optimization

这一部分讨论如果直接使用IoU loss，localization相关的子任务的loss（如depth估计）会压倒其他任务（如3D size预测），但是如果分开用多个loss来优化，又没有把每个组件和最终结果联系起来。本文提出对3D size估计的IoU oriented optimization，即对IoU贡献越大，给予的权重越大：

• 标准的3D size Loss为：${\mathcal{L}}_{\text{size }}^{\prime }={\Vert \mathbf{s}-{\mathbf{s}}^{\ast }\Vert }_1$
• 本文将其修改为： L size  = ∥ ( s − s ∗ ) s ∥ 1 \mathcal{L}_{\text {size }}=\left\|\frac{\left(\mathbf{s}-\mathbf{s}^*\right)}{\mathbf{s}}\right\|_1 Lsize ​= ​s(s−s∗)​ ​1​
• 可以看到新的损失，幅度发生了变化（相当于进行了归一化）
• 为了进行补偿，本文首先动态生成补偿权重：$w_s=\left|{\mathcal{L}}_{\text{size }}^{\prime }/{\mathcal{L}}_{\text{size }}\right|$
• 然后计算最终的3D size的损失函数：$w_s\cdot {\mathcal{L}}_{\text{size }}$，其均值等于标准3D size损失函数的均值
  代码中对应的实现如下lib\losses\dim_aware_loss.py：

def dim_aware_l1_loss(input, target, dimension):  
    dimension = dimension.clone().detach()  
  
    loss = torch.abs(input - target)  
    loss /= dimension  
  
    with torch.no_grad():  
        compensation_weight = F.l1_loss(input, target) / loss.mean()  
    loss *= compensation_weight  
  
    return loss.mean()

Experimental Results

本文提出的三种改进策略的累计提升效果如下所示：

• 评价指标为Car类别的$A{P}_{40}$（BEV/3D）
• p：表示使用3D 投影中心作为粗中心坐标的监督
• I：表示使用对3D size估计的IOU oriented optimization
• s：表示忽略远距离目标