關(guān)鍵點(diǎn)檢測(cè)網(wǎng)絡(luò)

本文的關(guān)鍵點(diǎn)檢測(cè)網(wǎng)絡(luò)將 RGB 圖像當(dāng)作輸入，輸出 3D 檢測(cè)框的頂點(diǎn)及中心點(diǎn)，其包括三個(gè)組成部分：骨架、關(guān)鍵點(diǎn)特征金字塔以及檢測(cè)頭，主要架構(gòu)采用了與 2D 無錨檢測(cè)器相似的一階段策略。

為了在速度和準(zhǔn)確性之間進(jìn)行平衡，本文使用兩種不同的結(jié)構(gòu)作為主干：ResNet18 和 DLA－34。所有模型均拍攝單個(gè) RGB 圖像 I∈R＾｛W×H×3｝，并以因子 S ＝ 4 對(duì)輸入進(jìn)行降采樣。ResNet－18 和 DLA－34 用于圖像分類網(wǎng)絡(luò)，最大降采樣因子為 ×32。我們通過三個(gè)雙線性插值和 1×1 卷積層對(duì)瓶頸三次進(jìn)行上采樣。在上采樣層之前連接了相應(yīng)的低級(jí)特征圖，同時(shí)添加了一個(gè) 1×1 卷積層以減小通道尺寸。經(jīng)過三個(gè)上采樣層后，通道分別為 256、128、64。

圖像中的關(guān)鍵點(diǎn)在大小上沒有差異。因此，關(guān)鍵點(diǎn)檢測(cè)不適合使用特征金字塔網(wǎng)絡(luò)（FPN）。本文提出了一種新的關(guān)鍵點(diǎn)特征金字塔網(wǎng)絡(luò)（KFPN），以檢測(cè)點(diǎn)空間中尺度不變的關(guān)鍵點(diǎn)。假設(shè)我們有F個(gè)尺度特征圖，我們首先調(diào)整每個(gè)大小f的大小，將其統(tǒng)一為最大的 f 的大小。然后通過 softmax 運(yùn)算生成軟權(quán)重，以表示每個(gè)尺度的重要性。通過線性加權(quán)獲得最終的尺度空間得分圖：

檢測(cè)頭由三個(gè)基本組件和六個(gè)可選組件組成，可以任意選擇這些組件以提高 3D 檢測(cè)的準(zhǔn)確性，而計(jì)算量卻很少。受 CenterNet 的啟發(fā)，本文將關(guān)鍵點(diǎn)作為連接所有特征的主要中心 由于在截?cái)嗟那闆r下對(duì)象的 3D 投影點(diǎn)可能會(huì)超出圖像邊界，因此將更適當(dāng)?shù)剡x擇 2D 框的中心點(diǎn)。Heatmap 定義為 M，其中 C 是目標(biāo)種類的數(shù)量，另一部分是由頂點(diǎn)和中心點(diǎn)投影出的 9 個(gè)點(diǎn) V，對(duì)于一個(gè)對(duì)象的關(guān)鍵點(diǎn)，本文將回歸得到的主中心的局部偏移量 Vc 作為指標(biāo)。最接近 Vc 坐標(biāo)的 V 的關(guān)鍵點(diǎn)被作為一個(gè)對(duì)象的集合。盡管 9 個(gè)關(guān)鍵點(diǎn)的 18 個(gè)的約束能夠恢復(fù)物體的 3D 信息，但是越多的先驗(yàn)條件能夠增加更多的約束，中心偏移 M＿OS，頂點(diǎn)偏移 V＿OS 是 heatmap 中對(duì)每個(gè)關(guān)鍵點(diǎn)的離散誤差。

3D 目標(biāo)的維度 D 方差小容易預(yù)測(cè)，本文引用基于 Multi－Bin 方法對(duì)偏航角 θ 進(jìn)行回歸。將 θ 的余弦偏移和正弦偏移概率在 1 個(gè) bin 中進(jìn)行分類，并使用 2 個(gè) bin 生成方向特征圖，同時(shí)對(duì) 3D 邊框的中心深度Z進(jìn)行回歸。最終的 loss 如下（各部分 loss 的定義參見原文，在此不再贅述）：

3D邊框的估計(jì)

得到 9 個(gè)特征點(diǎn) kp、物體尺寸 D、偏航角 θ、中心深度 Z，目標(biāo)是找出哪一個(gè)邊框中心點(diǎn)與 2D 關(guān)鍵點(diǎn) kp 最匹配，這能夠最小化 3D 關(guān)鍵點(diǎn)和 2D 關(guān)鍵點(diǎn)的投影損失，并將它和其他先驗(yàn)損失定義為一個(gè)非線性最小二乘優(yōu)化問題：

其中 e＿cp、e＿d、e＿r 是相機(jī)點(diǎn)、維度先驗(yàn)、方向先驗(yàn)的損失，從 heatmap 中提取的置信度表示為：

實(shí)驗(yàn)論文

本文在 KITTI 數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。