2020年以来出现的一些单目视觉3-D目标检测的论文。本文针对部分典型的论文要点进行要点解读，仅供参考。
arXiv 1912.08035，v3，4，2020
介绍单步法，MoVi-3D，在训练和测试中，利用几何信息，生成目标外观被距离规范化的虚拟视角。结果是，模型减轻学习深度图特定的表示，复杂度降低。
如图所示：不直接在原图进行检测，而是在虚拟图像，并且距离规范化。
如下是单目3D目标检测的示意图：3D边框参数估计
这样需要阐述的是图像变换如何定义，如图所示是先定义一个3D视角口（3D viewport）：和图像平面平行，基于深度而设置。
那么虚拟图像的产生是这样过程：给定使用上述摄像头和视角口捕获的图像，分别计算视角口的左上角和右下角，即（Xv，Yv，Zv）和（Xv + Wv，Yv-Hv，Zv），并将它们投影到相机的图像平面，从而产生 2D视角口的左上角和右下角。将其裁剪并重新缩放为所需的分辨率wv x hv，获取最终输出，即给定3D视角口生成的虚拟图像。
其中视角口的宽度为 （f是焦距，高度是预定义）
训练过程中虚拟图像的产生过程如图：
而测试过程的流水线如下：给定图像、深度分辨率Zres和摄像头参数，沿着Z轴每隔Zres/2米设置，产生一系列的3D视角口（Yv = 0），投影到图像平面（如同训练过程），最后的虚拟视图送入模型检测目标。
这里虚拟图像分辨率：
其中W是图像宽度。
最后看看MoVi-3D，主干是ResNet34，带FPN，检测头在RetinaNet修改，其架构图如下：
文章定义的参考目标大小是：宽-高-长
Car W0 = 1:63m, H0 = 1:53m, D0 = 3:84m,
Pedestrian W0 = 0:63m, H0 = 1:77m, D0 = 0:83m
Cyclist W0 =0:57m, H0 = 1:73m, D0 = 1:78m
结果比较如下表所示：
arXiv 2001.03343，1，2020
单步法，利用3D边框的9个keypoints图像透视投影预测，以及3D-2D投影的几何关系，来恢复目标的大小、位置、朝向。不过，训练不需要额外的网络或者监督数据。
代码将上线：Banconxuan/RTM3D
如图是该方法的概览：8个框点和1个中心点，预测其图像投影。
首先是keypoint 检测网络：主干、keypoint特征金字塔（KFPN）、检测头。基本上是一步法，类似无锚框的架构。输出各个点的热图（9个）。检测头类似CenterNet。
其中KFPN的细节展示：
给定KFPN的keypoint结果，3D边框的估计是如下2Dkeypoint和3D边框投影之间的误差最小优化问题：求解最佳朝向R、位置T和大小D
其中方差矩阵反应的是热图可信度：
3D边框的顶点和中心定义为：
3D点的投影则是：
实验结果比较如下：
arXiv 2009.00764，9，2020
是上个方法的改进版，KM3D-Net，提出半监督训练。对同一个未标注图像，两个共享参数的KM3D-Net，不同输入增强和网络正则化条件下，强制实现一个一致性的预测。特别是，统一坐标相关的增强如仿射变换，提出keypoint dropout模块做网络正则化。
如图是KM3D-Net示意图：基本包括两个部分，一是全卷积网络，输出目标表观相关的特性，如keypoints、目标大小、局部朝向和3D可信度，接着二是几何推理模块，做位置预测的可微分几何一致性约束。
而无监督训练的示意图如下：利用仿射变换和keypoint -dropout。
基本思想是用KM3D-Net通过不同的增强和正则化两次评估同一输入图像。无监督损失通过取均方差（MSE损失）来惩罚图像中同一目标的不同估计。输入增强包括两个部分：坐标独立和坐标相关。第一个组件是随机颜色抖动。第二部分包括随机水平翻转、平移和缩放。将这些操作公式化为仿射变换，转换或恢复主要中心点和关键点的坐标。坐标相关的增强以矩阵形式的统一表达可以满足网络的可微分性。
此外，提出用于网络正则化的keypoint dropout方法。在位置预测中随机丢弃关键点。一个关键点可以提供两个几何约束，至少两个关键点可以计算三自由度的位置信息。因此，在计算位置信息时，删除9个关键点的一些是合理的。它有两个好处：1）使模型在预测非丢失关键点时更加准确；2）包含所有关键点的推断具有更强的泛化能力。输入增强和关键点dropout使相同的网络权重在训练步骤中输出一个随机变量。给定相同的输入，它们的差异可视为优化目标。
无监督损失定义为：
实验结果比较如下：
arXiv 2002.10111, 2, 2020
分析2D detection network冗余并且给3D detection带来噪声，故提议SMOKE， 直接结合回归3D变量的keypoint估计预测3D边框。此外，提出一个multi-step disentangling 变换法，改进了收敛性和检测精度。
SMOKE架构如图所示：hierarchical layer fusion network DLA-34做主干，其中类似地采用Deformable Convolution Network (DCN)，BatchNorm (BN) 被 GroupNorm (GN)取代。主干从图像提取特征，原始图像下采样1/4，特征图的大小为1：4。两个单独分支连接到特征图，共同执行keypoint分类（粉红色）和3D框回归（绿色）。通过组合来自两个分支的信息来获得3D边框。
keypoint分类网络：每个目标都由一个特定的关键点表示；关键点不是定义2D边框的中心，而是定义为目标3D中心在图像平面的投影。
3D投影2D图像平面过程：
如图所示：2D中心（红色）和3D中心投影（橙色）的不同。
回归网络：回归分支负责预测3D边框所需的变量，取决于热图的每个关键点；受lifting transform想法（“ROI-10D:Monocular lifting of 2d detection to 6d pose and metric shape”）启发，加入类似操作将投影的3D点转换为3D边框。
3D目标信息编码为：
目标深度根据预定义尺度和移动参数计算：
由此得到目标位置：
事先在整个数据集计算类别平均大小， 然后恢复每个目标大小：
类似回归的是每个目标的观测角，而不是偏航角。另外，更改相对于目标头alpha x-轴的观察角度，而不是通常使用的相对于目标头alpha z-轴的观察角度值，二者区别如图所示：差90度。
偏航角根据观测角和目标位置得到：
最后3-D边框的8角点计算：
训练的损失函数也是分成两部分：分类和回归（略）。
实验结果比较如下：
arXiv 2003.00504, 3, 2020
MonoPair考虑成对样本的联系。这样，对部分遮挡目标和其邻域的空间约束进行编码。特别是，计算相邻目标对的目标位置和3D距离的不确定性-觉察（uncertainty-aware）预测，并随后做非线性LS联合优化。这种预测结构和后优化模块能特别地集成在一起提高运行效率。
如图是架构概览图：单目RGB图像作为骨干的输入，在监督下进行训练。具有特征图 W x H x m （64）的11个不同预测分支，分为三个部分：2D检测、3D检测和成对约束预测。输出特征的宽度和高度（W，H）与骨干输出相同。虚线表示神经网络的正向流动。2D检测的热图和偏移量也可用于定位3D目标中心和成对约束keypoint。
文章的特征图坐标-3D空间的几何关系如图所示：
2D检测来自CenterNet，3D中心推理来自摄像头内参数K：
成对约束分支是一个回归，其中成对目标约束定义如图：3D距离在不同坐标下的显示。
而成对匹配策略的训练和推理如图所示：
对不确定性估计（用于最后联合优化），附加定义一个regression L1 loss：
最后的后处理是基于图理论的空间约束优化，如图所示：
最后看实验结果比较：
arXiv 2002.01619，2，2020
本文提出一种解耦方法，即分成结构化多边形预测和深度恢复两个任务。这里需要一个先验知识，目标高度和给定的摄像头姿态（内外参数）。还提供有一个BEV细化3D边框的方法。
如图是整个网络框架（Decoupled-3D）：stacked hourglass network做2D结构化多边形产生；目标深度估计（高度作为先验知识）；BEV特征做3D边框细化。
这图是结构化多边形估计的部分细节：
这是高度指导的深度估计：
其中各个顶点的深度表示为：
下图是3D框细化示意图：
其中深度估计采用Depth Net：DOR （“Deep Ordinal Regression Network for Monocular Depth Estimation“）。
下面是实验结果比较：
定性结果展示：
arXiv 2005.07424，5，2020
有趣的工作：3D 目标检测的深度估计设置比较。采用模拟数据进行比较，也用了一个真实数据。讨论了各种深度估计策略对3D目标检测的影响。
如图就是3种设置：
使用2D边框高度和真实世界赛车的已知高度作为几何约束的距离计算，该方法叫做“已知高度假设”。
使用监督的DenseDepth网络对整个图像进行深度估计。到每个目标的距离被计算为边框裁剪的深度估计中值。这种方法不需要有关目标的明确知识，例如高度信息。
使用自监督的struct2depth网络对整个图像进行深度估计。到每个目标的距离被计算为边框裁剪的深度估计中值。这种方法也不需要有关目标的明确知识，例如高度信息。
这是实验结果比较：
深度网络结果在有限的范围（例如一般的光学印象）在数据集进行泛化。如果更改了相机的固有特性或输入图像的分辨率，则泛化性会进一步降低。这个学习仅在特定条件下有效。当把结果推算到大量训练数据情况，结论是，对于20m距离的近距离场景，使用当前方法可以很好地执行3D目标检测。距离越远，检测性能越差。从理论上讲，通过更高的图像分辨率来补偿，但需要更高的整体数据速率。可选地，组合具有小和宽视野的摄像机，实现在额外期望距离下的精确检测。系统复杂性和包装要求更高。
目前将相机信息与测距传感器（如激光雷达和雷达）融合，似乎仍然是在3D模式下执行目标检测的最有效方法。
arXiv 2007.09836"，7，2020
该方法无需学习深度图。2D 边框的格坐标反投到3D空间做3D目标中心提议。加一个object-aware voting和后融合得到3D边框。
如图是架构图：RPN模块提供2D region proposals，3D Center Reasoning (左边) 从2D ROI 格坐标估计多个 3D centroid proposals，接着是Object-Aware Voting (右边)包括 geometric projection distribution (GPD) 和 appearance attention map (AAM)，投票 3D centroid proposals 得到3D 位置。另外，2D目标检测头、3D 大小 和 朝向一起估计得到。
对于行车道路上的目标，它们水平放置，没有相对于摄像机的偏航角和俯仰角。此外，每类目标（例如车辆）的3D尺寸方差都非常小。这些约束导致这样的想法，即当物体处于相同深度时，物体在图像上的视在高度近似不变。最近的调查还指出，KITTI数据集上图像目标的位置和表观大小可用于推断深度。
这里目标3D中心近似为
具体来说，将每个2D区域提议划分为s x s 网格单元，并将网格坐标投影回3D空间。由于每个网格点都给出相应3D目标中心的可能投影，因此获得多个3D中心提议，其中第i个中心提议由下式计算：
下图是在Kitti数据训练数据得到的中心偏差统计：
具体而言，使用单个1X1卷积，然后采用S-激活函数，从RoI池化层的特征图生成外观注意图（appearance attention map）。来自图像激活的卷积特征图，通过2D目标检测的分类监督，给出前景语义目标，从而得到对目标-觉察投票（object-ware voting）。
该投票成分来自投影3D中心和2D边框中心之间的偏移分布。已经有证明2D边框中心可以建模为高斯分布，并具有真值期望，为了动态学习该分布，将RoI的2D网格坐标和图像特征连接在一起作为全连接层的输入预测偏移量，以Kullback-Leibler（KL）散度作为损失函数来监督学习，即
其中object-aware voting 定义为：
在训练中，3D定位流水线的损失函数是：
3D 大小的损失函数：
3D朝向的损失函数：
2D和3D目标检测的联合任务训练损失函数为：
实验结果比较如下：
定性结果比较：红色: 检测框. 黄色: 真值. 右边小图: birds’ eye view (BEV) 。
作者：黄浴
｜关于深延科技｜
深延科技成立于2018年，是深兰科技（DeepBlue）旗下的子公司，以“人工智能赋能企业与行业”为使命，助力合作伙伴降低成本、提升效率并挖掘更多商业机会，进一步开拓市场，服务民生。公司推出四款平台产品——深延智能数据标注平台、深延AI开发平台、深延自动化机器学习平台、深延AI开放平台，涵盖从数据标注及处理，到模型构建，再到行业应用和解决方案的全流程服务，一站式助力企业“AI”化。
