【3D目标检测】Pseudo-Stereo for Monocular 3D Object Detection in Autonomous Driving

概述

本文是基于单目图像的3D目标检测方法。
【2021】【MonoDLE】

研究的问题:

• 能否借助立体图像检测算法提高单目图像检测的效果
• 如何实现右侧图像的生成

解决的方法：

• 受启发于伪点云，提出了伪立体图像的概念，将图像转换成立体图像，然后应用立体图像的检测算法
• 提出两种右侧图像生成的方法，分别是图像级别生成和特征级别生成（基于视差的动态卷积方法）
• 提出一个观点：学习深度感知的特征有利于提高单目检测的性能，比如作者这边的深度估计以及深度损失。

细节

背景与整体流程

为什么要用Pseudo-Stereo？虽然Pseudo-LiDAR效果很好，但是相对于基于雷达的算法还有很大的差距，并且这个差距来源于图像到点云的转化。因为这个转化过程是跨模态的，误差巨大。而单目图像到立体图像的转换相对而言就简单一点，并且基于立体图像的检测算法也具有不错的效果

思想概述：核心就是转换成立体图像然后应用立体图像的检测算法

算法的关键问题：图像到点云转换过程带来的巨大误差也影响到了伪点云算法的性能，使得基于伪点云的算法与基于点云的算法具有较大的差距。因此，如何减小单目图像到立体图像转换过程中的误差是本文的关键，作者提出了两种方法，图像级生成和特征级生成（特征克隆是特征级生成的特殊情况）

注意：虽然是采用基于立体图像的检测算法，但是作者将基于立体图像的检测算法的特征提取模块换成了自己的，也就是算法的输入是左右图的特征或者说是成本容积

图像级别生成

算法流程：基于左图得到深度图，然后将深度图转换成视差图，接着基于左图和视差图生成右图，然后使用共享参数的ResNet34进行左右图的特征提取，用共享参数的SPP模块分别获得左右图对应的全局特征，构造成本容积，然后送入立体图像检测器LIGA-Stereo中。

将深度图转换成视差图基于以下的方法：其中$d$是对应的视差，$z$是估计得到的深度值，$f,b$分别是相机焦距和两台相机之间的基线距离

基于左图和视差图生成右图：主要是两个操作，一个是按照下面的公式扭曲左图得到右图，另一个是为了处理边缘模糊等问题对视差图进行了锐化

特征级别生成

背景：图像级别生成中，用左图+视差图扭曲得到右图非常耗时（相当于是手工做法），所以作者就提出了一种可微分（可学习）的特征变换方法，基于左图特征直接得到右图特征。

算法流程：基于左图得到深度图，然后将深度图转换成视差图，用不共享参数的ResNet34对左图和视差图进行特征提取，然后对左图特征和右图特征作基于视差的卷积（不是计算偏移量）得到右图特征，用共享参数的SPP模块分别获得左右图对应的全局特征，构造成本容积，然后送入立体图像检测器LIGA-Stereo中。

特殊情况：最简单的方式就是直接复制左图特征作为右图特征，这样不需要深度估计、视差图这些杂七杂八的，泛化性能好，但是检测性能嘛，肯定不行。

损失函数

损失函数与LIGA-Stereo相同

学习深度感知的特征

作者提到一个观点：学习深度感知的特征有利于提高单目检测的性能。本文的深度感知体现在两个方面，一个是深度估计，另一个是深度损失。两种方法对深度估计的应用差不多，但是深度损失的应用就有差别，前者生成右图是手工的做法，后者是学习的方法，深度损失能够指导右图的生成。