3D目标检测&6D姿态估计之SSD-6D算法

最近的研究主要以6D检测为主，本篇介绍基于2D检测器SSD的3D检测器SSD-6D。

1）论文链接：https://arxiv.org/pdf/1711.10006.pdf

　  测试部分代码链接：https://github.com/wadimkehl/ssd-6d

2）介绍：

　　许多3D检测器都是基于视角的（view based），生成一系列离散的目标视角用于后续视频序列的特征计算。在测试过程中，从不同的离散视角对场景进行采样，然后计算特征，并与目标数据库匹配来建立训练视角和场景位置的对应。此处的特征可指编码后的图像特征（颜色梯度，深度值，方向），或者学习得到的结果。但无论是哪种情况，检测和姿态估计的精度都受一下三个方面影响： 1. 在对应的视角和尺度上，6D姿态空间的收敛性；2. 特征区别目标和视角的辨别能力；3. 在场景混乱，光照变化，出现遮挡时的鲁棒性。

　　YOLO和SSD等2D检测器的思想：改变采样策略，使场景采样不再是得到连续输出的离散的输入点。输入空间在整个图片上是稠密的，输出空间被离散为不同形状和尺寸的边界框。

　　本文贡献：1. 使用动态3D模型信息的训练阶段； 2. 分解模型姿态空间， 便于对称的训练和处理； 3. 扩展SSD， 产生2D检测并推断合适的6D位姿。（当正确使用颜色信息的时候，过度依赖3D实例检测的深度信息使不合理的）。

3）相关工作：

　　对于所有的3D检测，场景采样都至关重要。如果太粗糙，小尺寸的目标容易被漏检；细粒度采样会增加计算量且常常导致更多的假阳性检测。

　　其他基于SSD的位姿估计算法：

1. A. Mousavian, D. Anguelov, J. Flynn, and J. Kosecka. 3D Bounding Box Estimation Using Deep Learning and Geometry. arXiv:1612.00496, 2016. （推断3D边界框，回归3D框的角和方向角，城市交通）
2. P. Poirson, P. Ammirato, C.-Y. Fu, W. Liu, J. Kosecka, and A. C. Berg. Fast Single Shot Detection and Pose Estimation. In 3DV, 2016. （引入额外的姿势组合，不仅表达类别，还有局部取向的概念）

　　这两篇都是使用真实图片训练的，本文使用合成模型训练，并包围所有的6D姿态空间。

4）本文方法：

• 网络结构：

　　Base network：预训练的InceptionV4

　　Input：RGB image 299*299，计算得到多尺度特征图

　　在最后一个池化层前分支，加入一个Inception-A模块，得到71*71*384的特征图；在Inception-A后继续分支得到35*35*384，加入Inception-B；Inception-B后得到17*17*1024；Inception-C后得到9*9*1536。为了检测大尺寸的目标，又增加了两个模块：Reduction-B后面跟着两个Inception-C模块，得到5*5*1024的特征图；Reduction-B和Inception-C得到3*3*1024的特征图。得到的6个特征图都与预测卷积核卷积，从特征图的位置返回局部检测。

　　(ws; hs; cs)表示尺寸s的宽、高和通道数。对于每个尺寸，训练一个3*3*c_s的核，此核提供每个特征图的位置和目标ID的得分、离散视角和平面内旋转。由于网格引入离散误差，在每个位置创建B_s个不同横纵比的边界框。

　　对于尺寸s，有(ws; hs;Bs*(C+V +R+4))个检测图，C: 目标类别数，V: 视角采样数，R: 平面内旋转采样数，最后网络会得到21222个不同尺寸和形状的可能的边界框。

　　网络在给出离散的视角的得分并进行分类上，比直接给出精确的平移和旋转数值表现的更好。因此对视角分类而非回归位姿。6D位姿在视角和平面内旋转的分解可简化问题。当一个新的视点呈现出一个新的视觉结构时，平面内旋转的视点是同一视点的非线性变换。

• 训练过程：

　　以来自MS COCO[20]的随机图像为背景，使用OpenGL命令将对象随机转换到场景中。对于每个处理过的实例，计算其每个边界框与mask的IoU，大于0.5的被选做此目标类别的正样本。此外，我们为所使用的变换确定其的最接近的采样离散视点和平面内旋转，并将其四个角值设置为最紧贴合掩模，设置后的四个角值作为回归目标。

　　与SSD相似，采取多种数据增强的方式，改变图片的亮度和对比度。但是不会旋转图像，因其会导致视角混淆进而得到错误的姿态检测。再反向传播的过程中，保证对每个图片，正负样本的比例为1：2（选取困难负样本）。

损失函数：Pos: 正样本集合，Neg: 负样本集合。对于分类概率，将正负样本框相加，此外，每个正样本为视角和平面内旋转还有四角的拟合误差贡献权值。对于分类损失Lclass, Lview, Linplane 采用标准softmax cross-entropy loss，四角的回归使用smooth L1-norm 损失。

处理对称和视角模糊：本文方法需要消除视角的不确定性，因此需要特殊处理对称和半对称（可由平面反射构成）的目标，给定等距采样的球体，从其中选取视点，并抛弃可能会产生歧义的位置。对于对称对象，只沿着一条弧线采样视图，而对于半对称对象，完全省略了一个半球。这种方法很容易进行概括，以处理相互不可分辨的视图，尽管在实践中可能需要对特定对象进行手工注释。本质上，只是在测试过程中忽略了卷积分类器输出的某些视图，在训练中特别注意视点分配。

• 检测阶段：

  　　前向传播得到所有高于某一阈值的所有检测结果，极大值抑制。这将得到紧密且精细的2D边界框，带有目标ID和所有视角和平面内旋转的得分。对于每个2D检测结果，分析最有可能的视角和平面内旋转，进而建立一系列6D假设，并在其中选择一个最优的。

从2D框建立6D假设：到目前为止，所有的计算都是在平面上的，通过视角ID和平面内旋转ID可以3D旋转，通过边界框可以推断3D平移。在离线阶段，以标准质心距离z_r = 0.5m呈现所有离散视图和平面内旋转的可能组合，并计算它们的边界框。

姿态矫正和确认：对于RGB图像，将每个假设呈现到场景中，并提取一组稀疏的3D轮廓点。对于每一个3D点X_i，计算投影π(Xi) = xi, 然后用一条垂直于其方向的光线，找到最近的场景边缘yi，寻求三维模型的最佳对齐，使平均投影误差最小(使用IRLS方法来最小化，Geman-McLure权重来使其鲁棒)。

　　对于RGB-D图像，给出了当前的位姿，并用标准投影ICP求解，并用点对面公式。两种情况都会进行多轮对应来提高准确度，并使用多线程来加速。

　　这个过程为每个2D框都提供了多个调整过后的位姿，需要选择一个最好的。对于RGB图像，进行最终渲染，并通过绝对点积计算轮廓梯度和重叠场景梯度之间的方向平均偏差。在RGB-D数据可用的情况下，我们提出假设，估计相机空间法线来用绝对点积测量相似性。

• 实现细节：

网络参数和训练过程：

　　为了得到好的结果，需要合适的方法来对模型的视觉空间进行采样，采样过于稀疏，则要么错过了某些姿势的对象，要么建立的是次优的6D假设，而非常精细的采样可能导致难以训练。采用在单位圆上等距离采样642的视角，因为数据集只有上半球，所以最后只有337个可能的视角ID。对于平面内旋转，从-45°到45°每隔5°采样一次，共有19个bin。

　　使用ADAM和0:0003的恒定学习率对网络的最后一层和预测器内核进行训练，直到在合成验证集上收敛。

　　损失函数权重：α= 1:5, β= 2:5, γ= 1:5（实验经验值）。

单一目标：

2D检测结果如下：检测框与gt的IoU大于0.5即保留检测结果

　本文方法只依赖于颜色信息，因此需要CAD模型的合成效果图与其在场景中的外观之间具有一定的颜色相似性。

多目标

5）总结：

　　第一个提出了一个SSD方式检测器用于三维实例检测和全6D位姿估计，并且是在合成模型数据集上训练的。本文证明，基于颜色的探测器确实能够匹敌甚至超越目前最先进的利用RGB-D数据的方法，同时大约快一个数量级。进一步工作是提高CAD模型和场景中物体外观颜色差异的鲁棒性，还有各个损失项之间的平衡问题。