不用激光雷达，照样又快又准！3D目标检测之SMOKE

向大家介绍一篇CVPR 2020 Workshop的文章：SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation。

0. 动机

3D目标检测用于估计目标的类别、位置和姿态，与2D目标检测相比，3D目标检测更具有挑战性。有很多工作研究使用激光雷达进行3D目标检测，激光雷达成本较高、寿命较短，与之相比，相机成本低、寿命长，且易于安装。

很多基于单目相机做3D目标检测的算法都是多阶段（multi-stage）的，即基于2D目标检测网络得到的2D框，在后面添加额外的分支预测3D框，亦或者是产生点云作为点云检测网络的输入，这种方法的弊端是：2D框检测的少许偏差可能会引起3D框检测的较大偏差。

作者提出了一个直接预测3D目标框的单阶段端到端算法，包含1个分类分支和1个回归分支，计算量小，易于训练且精度高。

1.建模

使用单目相机做3D目标检测，可以提炼为：输入RGB图像

和 分别表示输入图像的宽度和高度，输出图像中目标的类别 和3D框 。

使用 表示3D框 ，其中 表示目标的高、宽、长；

表示目标在相机坐标系中的坐标，单位为米；角度 表示3D框的航向角。

需要特别指出的是，要准确地预测3D框，需要知道相机内参 。

2. 网络结构

网络的总体结构如下图所示：

2.1 Backbone

使用与论文《Objects as points》类似的DLA-34作为Backbone，输出特征图的长和宽分别为输入图像的1/4。

与之不同的是，作者将网络中的BN（BatchNorm）替换为GN（GroupNorm），实验表明使用GN能减小网络性能对batch size的敏感程度，还能减少训练时间。

2.2 关键点检测分支

将目标3D框的中心点在图像平面的映射点

定义为关键点，关键点检测分支的目标就是寻找输入图像中的关键点。

在训练时，需要根据3D框确定关键点的位置，若知道相机内参 和目标3D框的中心点

根据如下公式求得关键点：

参考论文《Objects as points》中的做法，使用高斯函数作为关键点检测分支的学习目标。使用

表示3D框的8个顶点在图像中的位置，则

表示在图像中包围3D框的最小长方形，通过

确定高斯函数的标准差。

2.3 回归分支

使用向量

编码目标的3D框，它们的含义是：

• 表示深度偏移；

• 和 对下采样产生的量化误差进行补偿；

• 、 、 分别表示高、宽、长的残差（residual dimensions）；

• 和 用于确定角度 。

相比于直接学习3D目标框各个属性的值，学习偏移量更容易训练。

因为要使用8个标量组成的向量 确定3D框，那么回归分支输出的feature map尺寸为

， 用于控制feature map的尺寸。

下面讲述网络输出的向量 与3D框属性的关系。

根据深度偏移量可以求得目标的深度值，公式如下：

上式中的 和 是预定义的值，

单位为米。

已知目标的深度 ，根据回归分支输出的 、 以及关键点检测分支输出的

可以得到目标在相机坐标系下的三维坐标：

根据回归分支输出的 、 、 以及预定义的

使用如下公式求目标的长、宽、高，单位为米。

网络输出的 和 所确定的角度 的含义为下图中的 所表示的角度：

根据KITTI数据集中航向角的定义，可以根据角度 和目标在三维空间中的位置求得航向角 ：

已知航向角 、长宽高三个维度的值

以及3D框中心点在相机坐标系下的坐标

可以得到相机坐标系下3D框的8个顶点坐标，公式如下：

上式中的 表示根据航向角 得到的旋转矩阵，

是如下矩阵的简写形式：

3. 损失函数

3.1 关键点分类损失

关键点检测分支的输出为 通道的feature map， 为类别总数，为了描述简单，以下只叙述针对其中一个通道（即1个类别）的损失函数。

使用focal loss构造关键点分类损失函数，令 表示网络前向计算时关键点检测分支的输出feature map在位置 处的值， 表示根据数据集中的标注、利用高斯函数得到的目标值。

首先分别定义 和 ：

定义分类损失函数如下：

上式中

和 是超参数， ， ，N表示关键点个数。

下面分别描述损失函数中 项和 项的作用：

当 时，由于 ，因此  ，若此时 接近于1，则 项令损失函数急剧衰减；若此时 接近与0，则 令损失函数轻微衰减。使得优化器更关注 接近0的样本。

当 时，由于 ，因此 ，若此时 接近于1，则 项令损失函数轻微衰减；若此时 接近与0，则 令损失函数急剧衰减。使得优化器更关注 接近于1的样本。

当 时，由于 ，因此 ，该项不起作用。

当 时，由于 ，因此 ，此时若 接近于1，即

接近高斯函数中“峰值”的位置，代表

在关键点附近，则 令损失函数急剧衰减，使得优化器不太关注

位置处的损失值，因为

在关键点附近，理应让 大一些。

3.2 回归损失

回归损失用于让网络输出更接近真值的 。

3D框高、宽、长的残差由回归分支输出的值进行非线性变换得到，变换表达式如下：

上式中 、 、 表示回归分支输出的值， 表示sigmoid函数。

角度值也要由回归分支输出的值进行非线性变换得到，变换表达式如下：

上式中的 和 表示回归分支输出的值。

向量 中的其他值直接使用回归分支的输出值。若得到向量 ，根据2.3中的描述，容易得到相机坐标系下3D框的8个顶点坐标，记作 ，使用该值和训练集中标注框的8个顶点坐标 构造损失函数，表示如下：

上式中的 为平衡关键点分类损失和回归损失的权重。

受到论文《Disentangling monocular 3d object detection》的启发，作者将回归分支的输出结果分为三组：

• 、 、 ，根据 以及预定义的 和 可以求出深度值 ，根据深度值 、 、 以及从标注数据中得到的3D框中心点在图像平面上的投影

  ，可以得到目标3D框中心点在相机坐标系下的坐标
  ；

• 、 ，根据 和 可以得到 ，从标注数据中得到目标3D框中心点在相机坐标系下的坐标

  ，可以得到航向角 ；

• 、 、 ，根据这三个值以及预定义的

  可以得到目标3D框的长、宽、高。

只使用上面任何一组参数求取3D框的8个顶点坐标是不可能的，因为参数量不够，利用标注数据中的参数进行补全，使得上述三组参数能分别求出同一目标的3个3D框的8个顶点坐标，分别记作 、 、 ，利用 、 、 分别构造3个回归损失函数，将它们的和作为新的回归损失函数。这样做的好处是，能够将向量 中的多组参数对损失函数的贡献解耦开，使得优化器能分别优化上述3组参数。

整个网络的损失函数如下：

4. 实验

4.1 实验配置

使用KITTI数据集训练网络，实验时将3D框中心点在图像平面映射时超出图像区域的目标清除掉。在训练关键点检测分支时使用了数据增强，比如random horizontal flip、random scale and shift。GroupNorm操作中的group number设置为32，对于通道数小于32的层，group number设置为16。

网络的输入图片分辨率为1280x384，在4台TITAN X GPU上训练，batch size为32。

推理时，在关键点检测分支输出的feature map中选取100个得分最高且大于0.25的点作为关键点。

4.2 性能

训练完成后，使用KITTI的测试集评估性能，计算IoU大于0.7的 值，结果如下：

相比于其他方法，SMOKE算法取得了很好的结果，且推理时间只有30ms，完全满足实时性要求。

将SMOKE生成的3D框用于位置估计，并与其他方法比较，结果如下：

相比其他两种方法，SMOKE在位置估计上有明显优势。

此外，SMOKE也可以用于2D目标检测，将能包围3D框的最小2D框定义为2D目标检测的结果，结果如下：

5. 总结

本文有如下亮点：

• 直接通过单阶段网络预测3D框的属性，而不是先检测2D框，再利用2D框的信息生成3D框；

• 在构造回归分支的损失函数时，将多个属性对损失函数的贡献解耦，加速模型收敛；

• 模型结构简单，推理时间为30ms，具有实时性。

论文：https://arxiv.org/abs/2002.10111

源码：https://github.com/lzccccc/SMOKE

END

备注：目标检测

目标检测交流群

2D、3D目标检测等最新资讯，若已为CV君其他账号好友请直接私信。

我爱计算机视觉

微信号:aicvml

QQ群:805388940

微博知乎:@我爱计算机视觉

投稿:[email protected]

网站:www.52cv.net

在看，让更多人看到