兩種應(yīng)用于3D對象檢測的點云深度學(xué)習(xí)方法

隨著激光雷達傳感器（“光檢測和測距”的縮寫，有時稱為“激光掃描”，現(xiàn)在在一些最新的 iPhone 上可用）或 RGB-D 攝像頭（一種 RGB-D 攝像頭）的興起，3D 數(shù)據(jù)變得越來越廣泛。D 圖像是標準 RGB 圖像與其關(guān)聯(lián)的“深度圖”的組合，目前由 Kinect 或英特爾實感技術(shù)使用。3D 數(shù)據(jù)可以對傳感器周圍環(huán)境進行豐富的空間表示，并可應(yīng)用于機器人、智能家居設(shè)備、無人駕駛汽車或醫(yī)學(xué)成像。

3D 數(shù)據(jù)可以采用多種格式：RGB-D 圖像、多邊形網(wǎng)格、體素、點云。點云只是一組無序的坐標三元組 (x, y, z)，這種格式已經(jīng)變得非常流行，因為它保留了所有原始 3D 信息，不使用任何離散化或 2D 投影。從根本上講，基于 2D 的方法無法提供準確的 3D 位置信息，這對于機器人或自動駕駛等許多關(guān)鍵應(yīng)用來說是個問題。

因此，直接在點云輸入上應(yīng)用機器學(xué)習(xí)技術(shù)非常有吸引力：它可以避免執(zhí)行 2D 投影或體素化時發(fā)生的幾何信息丟失。由于 3D 數(shù)據(jù)固有的豐富特征表示，點云深度學(xué)習(xí)在過去 5 年中引起了廣泛關(guān)注。

但也存在一些挑戰(zhàn)：輸入的高維度和非結(jié)構(gòu)化性質(zhì)，以及可用數(shù)據(jù)集的小規(guī)模及其噪聲水平。此外，點云本質(zhì)上是被遮擋和稀疏的：3D 對象的某些部分對傳感器來說只是隱藏的，或者信號可能會丟失或被阻擋。除此之外，點云本質(zhì)上是不規(guī)則的，使得 3D 卷積與 2D 情況非常不同（見下圖）。

受 ML6 客戶的幾個用例的啟發(fā)，我們研究了兩種應(yīng)用于 3D 對象檢測的點云深度學(xué)習(xí)方法（VoteNet 和 3DETR）。兩者都是由 Facebook 研究團隊發(fā)明的（請參閱下面的鏈接部分中 Facebook 研究文章的鏈接[5]、[6]和[7]）。該模型的目標是使用點云（從 RGB-D 圖像預(yù)處理）并估計定向 3D 邊界框以及對象的語義類別。

1、數(shù)據(jù)預(yù)處理

我們一直使用的主要數(shù)據(jù)集是 SUN RGB-D 數(shù)據(jù)集。它包括室內(nèi)場景（臥室、家具店、辦公室、教室、浴室、實驗室、會議室等）的 10,335 個 RGB-D 圖像。這些場景使用圍繞 37 種對象的 64,595 個定向 3D 邊界框進行注釋，其中包括椅子、桌子、枕頭、沙發(fā)……（請參閱鏈接[1]、[2]、[3]和[4]鏈接部分詳細說明數(shù)據(jù)集的各種來源以及用于創(chuàng)建數(shù)據(jù)集的方法）。在訓(xùn)練期間通過應(yīng)用點云的隨機子采樣、翻轉(zhuǎn)、旋轉(zhuǎn)和隨機縮放來使用數(shù)據(jù)增強。

RGB-D 圖像到濁點的轉(zhuǎn)換是通過圖像中給定坐標處的 2D 坐標和深度值的線性變換來完成的，同時考慮到相機的固有特性。基本的三角學(xué)考慮導(dǎo)致了這種線性變換的數(shù)學(xué)公式（有關(guān)更詳細的解釋，請參閱[8]）。下圖（由 yodayoda Inc. 在[8]中提供）說明了該操作。預(yù)處理可以使用 Matlab 函數(shù)來完成，例如 Facebook 團隊的代碼（需要對代碼進行一些更改才能使其與免費版本 Octave 一起使用，這會顯著減慢預(yù)處理速度）或使用 Open3D 開源庫（請參閱 鏈接部分鏈接[9]到圖書館的主頁）。

2、Pointnet++ 和 VoteNet

第一種方法 VoteNet ([5]) 使用 Pointnet++ ([7]) 作為主干（均來自同一作者 Charles R. Qi）。

Pointnet++ 將點云作為輸入并輸出輸入云的子集，但每個點都有更多特征，并且現(xiàn)在豐富了有關(guān)局部幾何圖案的上下文。這與卷積網(wǎng)絡(luò)類似，只是輸入云以數(shù)據(jù)相關(guān)的方式進行子采樣，特定點周圍的鄰域由度量距離定義，并且該鄰域中的點數(shù)是可變的。下圖（摘自[7]）說明了 Pointnet++ 架構(gòu)。

圖片

該圖像上的 Pointnet 層創(chuàng)建每個局部區(qū)域的抽象（由固定半徑定義）。每個局部區(qū)域都被轉(zhuǎn)換為由其質(zhì)心和豐富特征組成的向量，從而形成鄰域的抽象表示。在我們的特定情況下，原始輸入點云由可變數(shù)量（20,000 或 40,000）的三元組（x、y、z）組成，Pointnet++ 主干網(wǎng)的輸出是一組 1,024 個維度為 3+256 的點。主干中的每個 Pointnet 層只是一個多層感知器（每個 1 或 2 個隱藏層）。

用于 3D 對象檢測的 VoteNet 方法使用 Pointnet++ 的輸出并應(yīng)用“深度霍夫投票”。下圖說明了該方法（摘自[5]）。

圖片

主干輸出的每個點（具有豐富的特征）都被輸入到共享的多層感知器中以生成投票（“投票模塊”）：該投票神經(jīng)網(wǎng)絡(luò)輸出點（其輸入）和點的質(zhì)心之間的位移三元組。它所屬的對象（如果有）。它經(jīng)過訓(xùn)練，可以最大限度地減少位移的范數(shù)，并添加一些有助于投票聚合的額外功能。

如上圖所示，投票被聚集。每個簇都被饋送到“提議和分類模塊”（實際上是 2 個多層感知器），該模塊輸出一個預(yù)測向量，包括：客觀性得分、邊界框參數(shù)和語義分類得分。這三個元素中的每一個都構(gòu)成一個損失函數(shù)（如果我們添加上面提到的投票回歸損失，那么總共 4 個元素）：對象交叉熵損失、邊界框估計損失和類別預(yù)測損失。

3、3DETR

3DETR 方法（在[6]中描述）是一種純粹基于Transformer的方法，與普通transformer架構(gòu)相比幾乎沒有任何修改，這是非常了不起的。3DETR 架構(gòu)如下圖所示（摘自[6]）。

圖片

Transformer 編碼器從子采樣+集合聚合層接收輸入，就像上面描述的 Pointnet++ 主干一樣（除了在這種情況下該操作僅應(yīng)用一次，而不是在 Pointnet++ 中應(yīng)用多次）。然后，Transformer 編碼器應(yīng)用多層自注意力和非線性投影（在我們的例子中，有 3 個多頭注意力層，每個層有 8 個頭）。不需要位置嵌入，因為該信息已包含在輸入中。自注意力機制是排列不變的，并且允許表示長范圍依賴。話雖這么說，編碼器中的自注意力層可以使用掩碼進行修改，以便關(guān)注局部模式而不是全局模式。

解碼器由多個transformer塊組成（在我們的例子中為 8 個）。它接收查詢并預(yù)測 3D 邊界框。查詢是通過從輸入云中采樣一些點（在我們的例子中為 128 個）并將它們輸入到位置嵌入層和隨后的多層感知器中來生成的。

4、實戰(zhàn)案例

這是來自 SUN RGB-D 數(shù)據(jù)集的 RGB-D 圖像的示例。

然后圖像被預(yù)處理成 20,000 或 80,000 個點的點云。你可以使用 MeshLab 可視化各種 3D 數(shù)據(jù)，包括點云。

VoteNet 或 3DETR 算法現(xiàn)在可以預(yù)測邊界框（和對象類）。

5、性能表現(xiàn)

為了評估 3D 對象檢測技術(shù)，最廣泛使用的指標是平均精度 (mAP)：平均精度 (AP) 是精度-召回率曲線下的面積，平均精度 (mAP) 是所有對象的平均值 類。IoU（交并集）閾值固定為 0.25 或 0.5，為我們提供 AP25 或 AP50 指標。這控制了預(yù)測邊界框和真實邊界框之間所需的重疊。

我們在 Google Cloud Platform 虛擬機上的 SUN RGB-D 訓(xùn)練集上對 VoteNet 模型進行了 180 個 epoch 的訓(xùn)練（如[5]的作者所建議），并在測試集上獲得了 57% 的 AP25（如[5]）。我們的 VoteNet 模型大小合理，具有大約 100 萬個可訓(xùn)練參數(shù)。

至于3DETR模型，該模型更大，有700萬個可訓(xùn)練參數(shù)，需要訓(xùn)練360個epoch才能在SUN RGB-D數(shù)據(jù)集上達到57%的AP25。這需要幾天的訓(xùn)練。幸運的是，[6]的作者公開了一個在 SUN RGB-D 上預(yù)訓(xùn)練了 1080 個 epoch 的模型。我們對其進行了測試，得到了與 VoteNet 相同的 AP25，即 57%。編碼器中帶有屏蔽自注意力的 3DETR 模型版本也可用，并且性能稍好一些。應(yīng)該指出的是，根據(jù)[6]的作者的說法，性能增益在另一個數(shù)據(jù)集上更為重要（ScanNetV2 請參閱下面該數(shù)據(jù)集的更多信息）。

6、遷移學(xué)習(xí)

一個重要的考慮因素是將預(yù)訓(xùn)練模型（例如[5]和[6]的作者提供的模型）轉(zhuǎn)移到我們客戶的數(shù)據(jù)上的能力。這在 3D 對象檢測的情況下尤其重要，因為數(shù)據(jù)難以注釋、被遮擋且有噪聲。

我們測試了在 ScanNetV2 數(shù)據(jù)集上訓(xùn)練的 VoteNet 到 SUN RGB-D 數(shù)據(jù)集的可遷移性。ScanNetV2（詳細信息請參閱[10]）是一個由室內(nèi)場景重建的 1,200 個 3D 網(wǎng)格的帶注釋數(shù)據(jù)集。它確實包括 18 個對象類別 雖然 SUN RGB-D 和 ScanNetV2 都屬于相似的室內(nèi)場景領(lǐng)域，但它們實際上完全不同：ScanNetV2 中的場景覆蓋更大的表面、更完整并包含更多對象。對 ScanNetV2 數(shù)據(jù)集中的頂點進行采樣以創(chuàng)建輸入點云。

我們使用在 ScanNetV2 上預(yù)訓(xùn)練了 180 個 epoch 的 VoteNet 模型。我們盡可能保留了這個模型的內(nèi)容：主干模塊、投票模塊以及除最后一個輸出層之外的所有提案和分類模塊。有趣的是，該模型僅在 SUN RGB-D 上進行了 30 個 epoch 的微調(diào)，就達到了與在 SUN RGB-D 上從頭開始訓(xùn)練 180 個 epoch 的相同 VoteNet 模型相同的性能。

這是一個令人鼓舞的結(jié)果，讓我們相信我們的預(yù)訓(xùn)練模型可以輕松地從其他類型的室內(nèi)域轉(zhuǎn)移到 ML6 客戶端的數(shù)據(jù)，而不需要大型注釋數(shù)據(jù)集。

審核編輯：湯梓紅