論文原文：RTM3D：Real－timeMonocular3DDetectionfromObject

KeypointsforAutonomousDriving

目前已有的一些 3D 檢測器都是將 3D 邊界框到 2D 邊界框的幾何約束作為重要組件。由于 2D 的邊界框只有四條邊，僅能提供四個幾何約束，這就導(dǎo)致 2D 檢測器的一點小錯誤會極大的影響 3D 檢測器的效果。本文的方法通過預(yù)測圖片中物體 3D 邊界框的九個關(guān)鍵點，利用 3D 和 2D 透視圖的幾何關(guān)系恢復(fù) 3D 空間中的尺寸、位置和方向。通過這種方法，即使關(guān)鍵點的估計非常嘈雜，也可以穩(wěn)定地預(yù)測對象的屬性，使我們能夠以較小的架構(gòu)獲得較快的檢測速度。訓(xùn)練的方法僅使用對象的 3D 屬性，而無需外部網(wǎng)絡(luò)或監(jiān)督數(shù)據(jù)。該方法是第一個用于單眼圖像 3D 檢測的實時系統(tǒng)，同時達(dá)到了 KITTI 基準(zhǔn)的最新性能。代碼將在 https：／／github．com／Banconxuan／RTM3D 上發(fā)布。

論文背景

3D 目標(biāo)檢測是自動駕駛中場景感知和運動預(yù)測的基本組件，目前的 3D 檢測器都嚴(yán)重依賴于 3D 雷達(dá)掃描得到的位置信息。但基于雷達(dá)的系統(tǒng)非常昂貴而且不利于編碼現(xiàn)在的車輛形狀。而單目相機(jī)相對便宜更容易應(yīng)用在現(xiàn)實場景中。本文的研究聚焦于單目 RGB 圖片的 3D 目標(biāo)檢測。

單目 3D 目標(biāo)檢測方法大致可以按照訓(xùn)練數(shù)據(jù)類型被分為兩類，一種利用復(fù)雜的特征，例如實例分割、車輛形狀先驗甚至是深度圖在多階段融合模塊中選擇最佳方案，這些額外的特征需要額外的標(biāo)注工作來訓(xùn)練一些其他的獨立網(wǎng)絡(luò)，這會消耗大量的運算資源；另外一類方法僅將 2D 的邊界框和 3D 物體的屬性作為有監(jiān)督數(shù)據(jù)，在這種情況下，一個直觀的想法是建立一個深度回歸網(wǎng)絡(luò)以直接預(yù)測對象的 3D 信息，由于搜索空間較大，這可能會導(dǎo)致性能瓶頸。因此最近有一些工作將 3D 盒頂點的幾何約束應(yīng)用于 2D 盒邊緣以細(xì)化或直接預(yù)測對象參數(shù)。但是，2D 邊界框的四個邊緣僅對恢復(fù) 3D 邊界框提供了四個約束，而 3D 邊界框的每個頂點可能對應(yīng)于 2D 框中的任何邊緣，這需要 4，096 個相同的計算才能得出一個結(jié)果。同時，當(dāng) 2D 檢測器的預(yù)測甚至有輕微誤差時，強(qiáng)烈依賴 2D 框會導(dǎo)致 3D 檢測性能急劇下降。因此，大多數(shù)這些方法都利用兩階段檢測器來確保 2D 邊界框預(yù)測的準(zhǔn)確性，這限制了檢測速度的上限。

本文提出了一個無需依賴 2D 檢測器的一階段單目 3D 檢測器。首先，通過一個單階段全卷積架構(gòu)預(yù)測 9 個 2D 關(guān)鍵點，這些關(guān)鍵點包括 3D 邊界框的 8 個頂點和中心點的投影點，這 9 個關(guān)鍵點在 3D 邊界框上提供了 18 個幾何約束。此外，本文還提出了一個全新的用于關(guān)鍵點檢測的多尺度金字塔，可以通過軟加權(quán)金字塔獲得最終的關(guān)鍵點激活圖。給定 9 個投影點后，下一步是通過對象的位置、尺寸和方向等從這些 3D 點的角度上進(jìn)行參數(shù)化，使重投影誤差最小。將重投影誤差公式化為 se3 空間中多元方程的形式，可以準(zhǔn)確有效地生成檢測結(jié)果。作者討論了不同先驗信息對基于關(guān)鍵點的方法（如尺寸、方向和距離）的影響。獲取此信息的前提條件是不要增加過多的計算，以免影響最終檢測速度。本文對這些先驗?zāi)Ｐ瓦M(jìn)行建模，并提出了一個整體能量函數(shù)以進(jìn)一步改善 3D 估計。

本文的主要貢獻(xiàn)有以下幾點：

1．將單目 3D 檢測轉(zhuǎn)化為關(guān)鍵點檢測問題，結(jié)合了幾何約束來更準(zhǔn)確和高效的生成 3D 物體的屬性。

2．提出了一種新穎的單階段多尺度 3D 關(guān)鍵點檢測網(wǎng)絡(luò)，該網(wǎng)絡(luò)可為多尺度物體提供準(zhǔn)確的投影點。

3．提出了一個整體能量函數(shù)，可以共同優(yōu)化先驗和 3D 對象信息。

4．根據(jù) KITTI 基準(zhǔn)進(jìn)行評估，本文是第一種僅使用圖像的實時 3D 檢測方法，與其他方法在相同的運行時間下對比，具有更高的準(zhǔn)確性。

論文模型