關(guān)鍵點檢測網(wǎng)絡(luò)

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

為了在速度和準確性之間進行平衡，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 RGB 圖像 I∈R＾｛W×H×3｝，并以因子 S ＝ 4 對輸入進行降采樣。ResNet－18 和 DLA－34 用于圖像分類網(wǎng)絡(luò)，最大降采樣因子為 ×32。我們通過三個雙線性插值和 1×1 卷積層對瓶頸三次進行上采樣。在上采樣層之前連接了相應(yīng)的低級特征圖，同時添加了一個 1×1 卷積層以減小通道尺寸。經(jīng)過三個上采樣層后，通道分別為 256、128、64。

圖像中的關(guān)鍵點在大小上沒有差異。因此，關(guān)鍵點檢測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)鍵點特征金字塔網(wǎng)絡(luò)（KFPN），以檢測點空間中尺度不變的關(guān)鍵點。假設(shè)我們有F個尺度特征圖，我們首先調(diào)整每個大小f的大小，將其統(tǒng)一為最大的 f 的大小。然后通過 softmax 運算生成軟權(quán)重，以表示每個尺度的重要性。通過線性加權(quán)獲得最終的尺度空間得分圖：

檢測頭由三個基本組件和六個可選組件組成，可以任意選擇這些組件以提高 3D 檢測的準確性，而計算量卻很少。受 CenterNet 的啟發(fā)，本文將關(guān)鍵點作為連接所有特征的主要中心 由于在截斷的情況下對象的 3D 投影點可能會超出圖像邊界，因此將更適當(dāng)?shù)剡x擇 2D 框的中心點。Heatmap 定義為 M，其中 C 是目標種類的數(shù)量，另一部分是由頂點和中心點投影出的 9 個點 V，對于一個對象的關(guān)鍵點，本文將回歸得到的主中心的局部偏移量 Vc 作為指標。最接近 Vc 坐標的 V 的關(guān)鍵點被作為一個對象的集合。盡管 9 個關(guān)鍵點的 18 個的約束能夠恢復(fù)物體的 3D 信息，但是越多的先驗條件能夠增加更多的約束，中心偏移 M＿OS，頂點偏移 V＿OS 是 heatmap 中對每個關(guān)鍵點的離散誤差。

3D 目標的維度 D 方差小容易預(yù)測，本文引用基于 Multi－Bin 方法對偏航角 θ 進行回歸。將 θ 的余弦偏移和正弦偏移概率在 1 個 bin 中進行分類，并使用 2 個 bin 生成方向特征圖，同時對 3D 邊框的中心深度Z進行回歸。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

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

其中 e＿cp、e＿d、e＿r 是相機點、維度先驗、方向先驗的損失，從 heatmap 中提取的置信度表示為：

實驗論文

本文在 KITTI 數(shù)據(jù)集上進行了實驗。