点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

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

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：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

本文仅做学术分享，如有侵权，请联系删文。下载1在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。下载2在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。下载3在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的知识点汇总、入门进阶学习路线、最新paper分享、疑问解答四个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近3000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款 圈里有高质量教程资料、可答疑解惑、助你高效解决问题觉得有用，麻烦给个赞和在看~