Estimating 6D Aircraft Pose from Keypoints and Structures学习笔记（PnP+PnL、中继监督）

Estimating 6D Aircraft Pose from Keypoints and Structures

前言

这篇论文在现有的姿态估计上提供了三个贡献：

1、  提出了新的方法PEKS检测6D飞机姿态估计，提高了网络在复杂天气情况下的姿态估计的精度；

2、  PEKS中包含了一个新的PnP+PnL的算法：PnPS算法，其通过关键点和结构估计RT矩阵；

3、  提供了一个21600张合成图像组成的飞机姿态估计数据集(APE)，未公开暂无找到资源。

接下来细致介绍以上三点：

1、PEKS介绍

 1.1 基本框架

这是PEKS的基本框架，它是一个two-stage模型，分别为Prediction Network与Pose Solver。

我在阅读时误认为两部分都是神经网络模型，其实只有上半部分是神经网络(Network嘛，其实已经很明白了只是我以为two-stage必指R-CNN这种两段网络模型)，而下半部分是一个基于数学最优化问题的算法。

预测时网络的输入为RGB图片，中间网络输出为图片中的关键点和结构，最终经过PnPs算法输出为6D姿态，也就是姿态估计中常见的R旋转矩阵、T平移向量。

训练数据的注释放在第三点讲。

1.2 Prediction Network结构

 

上图是预测网络的详细架构，所提出的网络是一个多级体系结构，灰色方块为堆叠沙漏网络。裁剪后的图像被输入网络，两个沙漏组件被用来生成每个关键点的热图。热图的强度表示各个关键点在每个像素上被定位的概率。

CNN通过两个阶段的架构共同预测关键点和结构，在网络的第一阶段，预测关键点和结构的热图，进行中间监督。

第二阶段以合并后的第一阶段特征和热图作为输入；网络的最终输出是第二阶段预测的热图。在每个阶段，均方误差损失被用来比较预测的热图和地面真值热图。然后，利用PnPS算法根据预测的关键点和结构恢复6D位姿。（该段原文摘录）

 

1.3 Hourglass block

其中Hourglass block可能平时不常见（可能是我论文读的少），但在姿态估计任务中是常用的一个网络模块。

 

 上图是n层hourglass网络结构图，其中n-1层与n层结构相同，n-2同理，hourglass网络边上如此递归形成。

Motivation：使用沙漏网络的目的是为了反复获取不同尺度下图片所包含的信息。例如一些局部信息，包括脸部和手部信息。最后的人体姿态估计需要对整个人体做一个理解，因此需要结合不同尺度下的信息，人体的方位，肢体的动作以及相邻关节点的关系。

Design：单个的hourglass模块对应的是一个residual模块，它的拓扑结构是对称的。最开始的卷积层和池化层是为了将特征映射到很小的分辨率。每经过一次池化，进行一次下采样，网络从这里开始分叉——下采样之前的特征图经过卷积保留下来，和之后bottom-up上采样到相同分辨率的特征图融合；下采样之后的特征图继续卷积池化操作。当达到最小分辨率后，网络开始上采样，使用双线性差值，并开始融合不同尺度的信息。Hourglass网络的输出再经过两个连续的1*1的卷积处理，得到最终的输出。输出是一个heatmap的集合，表示的是各个关节点在该像素出现的概率（即置信度）。

 

 

 

中继监督
Hourglass网络输出heatmap的集合（蓝色），将这与ground truth进行误差计算，其中使用1*1的卷积层进行处理是为了保证通道数相同，这是一种保证通道数相同很常见的方法，对每一个hourglass网络都添加loss，这就相当于是8个loss一起监督。

测试
采用MPII数据集，以人为目标裁剪图片。Resize到256*256，+/-30度旋转，0.75-1.25尺度变换。测试的时候，原始图片和翻转图片，输入到网络中，取输出的heatmap的平均值，最终输出的各heatmap的最大值作为关节点的位置。

总结
本文的设计基于模块到子网络再到完整网络的思想。一阶hourglass网络就是一个最简单的旁路相加，上半路在原尺度进行，下半路先经历下采样再进行上采样。对于二阶hourglass网络，就是在一阶的基础上将一阶网络嵌套进来。至于之后的高阶hourglass就是一层一层嵌套，从本质上说子模块都是一样的。

模块特点：
每次下采样前，分出一路保留原尺度信息
每次上采样之后，和上一尺度的特征融合
两次下采样之间，用三个residual模块提取特征
两次相加之间，使用一个residual模块提取特征
因此整个hourglass不改变特征的尺度，只改变特征的深度。
————————————————
版权声明：本文为CSDN博主「青青韶华」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_36165459/article/details/78321529

1.4 loss与中间监督

我看网上对于hourglass结构的中间监督的解释一笔带过，但我在这里纠结了很久，不是特别明白他说的添加loss含义以及具体实现手段，然后通过阅读原文，我明白了其具体做法，首先晒上原文中的图：

 

 

 右侧是其将结果考虑入loss的一些地方，可以看到除了最后一种，其他的情况都是只考虑最后一层的loss（即H*W与原题大小一致时），而最后一种中间监督的方式是将一个hourglass的中间输出作为loss。

而我疑惑的地方正是这个中间输出的loss，它究竟是如何求误差的，首先hourglass原文是以常见的MSE作为loss函数，loss = Σ(y_i-y)²；而在中间的输出层没有直接对应的GT来求loss，原文的方法是：max pooling前每四个像素点若含有关键点，则缩小得到的像素点为关键点；通过这种方式可以不用额外标注图片也能得到中间图片的关键点。每一个Houglass网络便单独计算一次loss，原Stacked Houglass论文整个网络中用了八个沙漏网络，这些网络的参数基于相同的GT使用各自的损失函数独立更新。

因为hourglass的输出为heatmap，每个像素的值为关键点/结构的置信度。

L_kpts，L_sts分别代表关键点与结构的loss函数。 f_i(x)，g_i(x)中i代表第i个关键点/结构，而y_i为ground truth heatmap。

所以总的损失函数

 

其中α，β为超参数，论文中提到一般分别预设为α = 1，β = 0.5

 

2、 PnPs介绍

2.1 问题背景

 以上引用 https://zhuanlan.zhihu.com/p/399140251?utm_source=qq&utm_medium=social&utm_oi=546351940519534592

而PnL在网上能查找的资料有限，本质上要解决的问题相同，都是要求世界坐标系转换到相机坐标系的R、T两个未知数，只是输入为线段（向量）。

2.2 PnP与PnL的区别

有人可能会问：PnL本质不就是让两个关键点代表一条线段吗？那么这和PnP直接已知关键点求RT有什么区别呢？

我个人的理解是，PnL相对与PnP的鲁棒性更强，PnL中线并非固定某两个端点表示，只要两点所连的线与真实情况下两点所在的线相同即可。这反映了一个事实，即在实际中，3D参考线可能无法在图像中完全检测到，或者它们可能被部分遮挡，从而排除了基于点的PnP算法的使用。

PnP的常用方法：非迭代求解策略OPnP、EPnP；优缺点：抗干扰能力差、位姿求解精度差、求解速度快。

PnL的方法比起PnP少很多，主要分为线性与非线性方法；优缺点：无法在高精度的同时保证高效率，鲁棒性较强。

2.3 PnPs算法

 PnPs结合以上两者的优势，在保证了算法准确度和鲁棒性的同时保证了速度，是一个PnP+PnL的算法。

下面介绍算法流程：

PnPs的输入由关键点K，与结构L组成。

对于关键点，它的优化方式与正常PnP的相仿，即最小化估计点与实际点的误差距离，如下图所示

其中p_k为关键点的估计坐标，X_k为关键点的三维坐标，x^~_k为X_k的二维投影，π为透视投影函数。

对于结构，我们用点P和方向向量d表示:，一个点加方向向量可以表示空间中的一条直线，而这条直线也就代表了所谓的结构L。

 

 

 

 

 

 如图中L_c为点P_c和方向向量d_c表示；c下标表示在相机坐标系下。

，其中K为内参矩阵，主要由相机的焦距影响；l为结构在图像坐标系上的投影，w为由l决定的平面。 

，v_c是刚刚得到的w平面的法向量，所以λ_st代表由l计算出的平面的法向量。

根据数学知识可以得到，这个式子最后会用来验证误差。

用数学式表示，与上式结合可得：

所以最终结构L优化的目标为：

其中两个参数分别由决定。

综合以上两个优化函数，PnPs的总优化函数为：

 

 

 c_k、c_s分别代表关键点与结构的热图计算出的置信度。

 

3、数据集

这一节主要是想总结归纳一下飞机姿态估计能找到的数据集：

3.1 Aircraft-Pose-Estimation（APE） Dataset

本文介绍了一个新的飞机姿态估计数据集，它包含了3681张真实图像和216,000张渲染图像，称为APE数据集。本数据集中所有图像的大小为1920 × 1080。该数据集包含了飞机在飞行过程中可能遇到的大多数场景，能够有效地评估飞机姿态估计方法的鲁棒性。对于真实的图像，我们从不同机场的摄像机拍摄的79个视频中取样。这些图像是在不同的姿势下，如起飞，降落，盘旋，滑行，和不同的天气场景。这些注释包括摄像机的焦点和像素大小、2D包围框、6D姿态、3D包围框的投影、关键点的投影、结构的投影和天气场景。我们根据天气情况将图片分为四类:好天气、雾霾天气、大气抖动和过度曝光。图11展示了真实图像的示例。更重要的是，我们还为训练生成了216000张渲染图像。渲染后的图像是在OpenGL的帮助下，将3D飞机模型放置在背景图像的前面创建的。背景图像选取不同天气场景下人工拍摄的天空图像和KITTI数据集中模拟飞机在空中盘旋和地面滑行场景的道路图像。（以上译自原文）

 

 

 

目前还没能在网上找到APE数据集，应该是还未开源，所以要介绍的下一个数据集是已开源的可以用来训练的数据集

3.2 ObjectNet3D dataset

其是含有多个样本的姿态估计数据集，用于 3D 对象识别的大型数据库，名为 ObjectNet3D，它由 100 个类别、90,127 张图像、这些图像中的 201,888 个对象和 44,147 个 3D 形状组成。其注释为：Euler Angles + BoundingBox。

飞机所处ID：start_index:n04012084_17 ，end_index:n04012084_11662。包含飞机图片的总数约为400张。

 

因为这是一个大型数据库，无法直接看到图像上的标注，所以还需要通过在数据库中读取其标注才可。

标记文件的格式为：image_id,x1,y1,x2,y2,score,azimuth,elevation,in-plane rotation,其中x1,y1,x2,y2分别为左上、右下坐标边界框，分数是检测分数，方位角，仰角和平面内旋转在[-pi，pi]中

官方网站：https://cvgl.stanford.edu/projects/objectnet3d/

3.3 数据集标注总结

姿态估计注释一般有：6D姿态（RT矩阵）、Depth/Mask/BoundingBox（表三者其一）。

本片论文中数据集的标注有：摄像机的焦点和像素大小、2D包围框、6D姿态、3D包围框的投影、关键点的投影、结构的投影和天气场景

关于姿态估计（不仅飞机）的数据集github上有一个综述：https://github.com/YoungXIAO13/ObjectPoseEstimationSummary

4、 问题

论文中提到了一些PEKS存在的问题，有以下几个：

1、数据增强时不能通过水平翻转图片扩大数据集，否则会导致模型被混淆，导致预测的关键点和结构左右对称错位。（未解决）

 

这个错误暂时没有想到原因，不知如何解决。

 2、评估网络时，由于APE数据集与其他数据集中的G、T以及焦距差别较大；ADD指标评估下，正确性阈值需要有不同的设置，否则会导致不合理的评估结果。（可解决）

然而，这并不意味着我们的方法不能准确估计位姿参数。我们分析了这些算法在该数据集上失败的原因，发现APE数据集上图像的ground-truth T和焦距都比基准数据集大很多。对于APE数据集，在飞行器飞行过程中，相机与飞行器之间的距离变化较大，地真T范围在100 m到5 km左右。而在其他基准数据集中，以LineMOD数据集为例，ground-truth T约为1 m。用模型大小的10%作为阈值来评估算法的准确性是不合理的。此外，使用变焦镜头相机在飞行过程中清晰地捕捉飞机，焦距范围从30毫米到1000毫米。而在其他基准中，也以LineMOD数据集为例，焦距不超过100毫米。长焦距使得位姿参数的精确估计，尤其是T。

译自原论文