《Stereo R-CNN based 3D Object Detection for Autonomous Driving》论文解读
论文链接：https://arxiv.org/pdf/1902.09738v2.pdf
这两个月忙着做实验 博客都有些荒废了，写篇用于3D检测的论文解读吧，有理解错误的地方，烦请有心人指正）。
博客原作者Missouter，博客园链接https://www.cnblogs.com/missouter/，欢迎交流。
【Abstract】
该论文提出了一种结合图像中语义、几何学与稀疏、稠密信息的3D目标检测算法。
该算法用Faster R-CNN接收作为立体输入的左右图像，同时检测、联系两幅图像中的物体；在立体检测网络的RPN后，论文添加了一个用于检测稀疏关键点（key points）、视点（viewpoints）与物体尺寸的网络结构，与左右两图的2D检测框一并作为输入，计算出对应的3D检测框，（个人觉得这个新添加的网络结构是这篇论文的一大亮点？）也许是因为这个结构，较其他3D检测算法而言这个方法并不需要深度输入。
但单用这种结构算出的3D检测框精度不够，所以论文利用左右图像的ROI实现了基于区域的光度校准，从而提升3D框的精度。
【Introduction】
论文提出了一种使用双目立体相机的3D检测算法，与激光定位（LiDAR）相比，立体相机具有成本低、具备更大更远的识别范围的优势。
论文提出的网络结构如上图所示，主要分为3个部分：
1、 以双目图片作为输入的立体检测RPN。
2、 经过ROI校准后用于得到key points、view points与物体尺寸的网络分支，承接该网络输出作为约束条件的3D检测框估值网络。
3、 保证3D检测框性能与精度的基于高密度区域的光度对准方法(Dense 3D Box Alignment)，位于网络的最后。
笔者感兴趣的地方在第二部分。
【Stereo R-CNN Network】
Stereo R-CNN使用权值共享的ResNet与FPN作为主干，提取左右两图的一致特征。
1、 Stereo RPN
与普通的RPN不同的是，stereo r-cnn的RPN接受的是左右两图各尺度上连接的feature map；左右图像真实地面框的并集被作为对象分类的目标，iou高于0.7的目标将被归为正样本，低于0.3的将被定义为负样本，锚框能够囊括左右两图的兴趣区域得益于此；
针对锚框的偏移计算，文章给出了六种回归形式：[∆u, ∆w, ∆u‘, ∆w’, ∆v, ∆h]，u，v分别代表二位检测框的水平、垂直中心坐标，w、h分别代表检测框的宽和高，由于使用已矫正过的立体图像，故对于两图的v、h同一变量进行回归。综上，与传统的RPN不同，stereo r-cnn的输出通道有6个。在输出候选区域时论文同样使用nms降重。
2、 Stereo R-CNN
a). Stereo Regression
经RPN得到左右图像的建议区域对后，网络分别对左右两图的feature map应用ROI排列，得到的两图ROI特征被放入两个连续的全连接层中提取语义信息。四个子分支被用于物体分类、检测框、尺寸和view points角度的预测；检测框的回归形式与RPN类似。
对于不同朝向的物体，view points角度是不同的：论文以 代表物体朝向与相机朝向的夹角，以 代表物体-相机连线与相机朝向的夹角，需进行回归的view points角度α可被定义为α=θ+β，为了避免不连续性，子分支中的训练目标为[sinα， cosα]。
根据二维框、物体尺寸，深度信息可被直观地恢复；通过解耦view points角度与三维位置的关系，物体朝向也可以被解出来。
一个左/右ROI与左/右真实框的IoU高于0.5的左右ROI对，将会作为前景，而左右任一ROI与真实框的IoU处于0.1~0.5的将会作为背景；前景ROI对的左/右ROI与左右真实框将会用于偏移的回归计算；与RPN相同，垂直方向的值仍是左右两图共用的。
对于尺寸预测，论文仅用预先设置的尺寸来回归地面真实尺寸，获取偏移量。
b). Keypoint Prediction
除了检测框和view points角度外，在检测框中部投影的3D角可以为3D检测框估计提供更严格的约束条件。论文定义了4个表示转角的3D检测框底部的4个关键点。下图中标为Boundary key points。
透视关键点是唯一一个可以明显地投射到框的中间(而不是左或右边缘) 的3D语义关键点。（从后文看就是后2个边界点之间的后轮）；除此之外还有两个Boundary key points被定义，作为规则物体的替代表示（图中前轮），只有在这两点以内的区域可以被认定为处于物体内部，且可用于后续的dense alignment。
关键点的预测使用了Mask R-CNN。只有左图像的14*14 feature map被用于key points的预测。左图像经RoI排列的feature map被输入6个连续的256通道，3*3卷积层，每个卷积层后接激活层。一个2*2的非卷积层被用于补强输出尺寸至28*28。这里文章特别提到，关键点的坐标中只有u坐标提供了2D检测框之外的额外信息。论文对6×28×28输出中的高度（h？）通道求和，得到6×28预测：前四个通道表示四个语义关键点投射到相应u位置的概率，另外两个通道分别表示每个u位于左右边界的概率。因前文定义的透视关键点只有一个，softmax被用于4*28的输出中，求一个独特的被投射至单个位置的语义关键点，这个设计避免了关键点类型的混乱。对于左右的边界关健点，softmax被分别用于两个1*28的输出上。
简单来说，需要被回归求出的关键点只有1个透视关键点，2个用于规则物体替代的边界关键点，其他点都是2D检测框有的（这里的解读存疑）。
【3D Box Estimation】
之前求得的关键点、view points角度与2D检测框被用于3D检测框的粗略估计。一个3D检测框可被表示为{x, y, z, θ}，分别表达检测框的中心坐标与物体的水平朝向角。根据尺寸、关键点和2D框，3D框可以通过减小2D框与关键点的二次投影误差得到。
如上图，7个测量值从2D检测框与透视关键点中被提取，z = {ul, vt, ur, vb, ul', ur', up}，分别代表左2D检测框的左边界横坐标、底部纵坐标、右边界横坐标、顶部纵坐标、右检测框的左、右边界横坐标与关键点的横坐标，原文称“Given the perspective key point, the correspondences between 3D box corners and 2D box edges can be inferred”。论文使用7个对应测定量的投影变换公式对{x, y, z, θ}进行求解。原文“There are total seven equations corresponding to seven measurements, where the sign of {w/2, l/2} should be changed appropriately based on the corresponding 3D box corner.”中提到{ , }的适当调整读起来有些…暧昧？
对于观察不到车辆的2个面（车屁股正对？）的情况，up、物体尺寸无从得知，文章给出基于view point的补充公式：
α、β含义与前文相同。
Dense 3D Box Alignment部分不在博主研究范围内，博主决定摸了。
