靠一個攝像頭拍下的圖像做3D目標檢測，究竟有多難？目前最先進系統(tǒng)的成績也不及用激光雷達做出來的1/10。

一份來自劍橋的研究，用單攝像頭的數(shù)據(jù)做出了媲美激光雷達的成績。

還有好事網(wǎng)友在Twitter上驚呼：

這個能不能解決特斯拉不用激光雷達的問題？馬斯克你看見了沒？

靠“直覺”判斷

為何人單眼能做到3D識別，而相機卻做不到？

因為直覺。

人能夠根據(jù)遠小近大的透視關系，得出物體的大小和相對位置關系。

而機器識別拍攝的2D照片，是3D圖形在平面上的投影，已經(jīng)失去了景深信息。

為了識別物體遠近，無人車需要安裝激光雷達，通過回波獲得物體的距離信息。這一點是只能獲得2D信息的攝像頭難以做到的。

為了讓攝像頭也有3D世界的推理能力，這篇論文提出了一種“正投影特征轉(zhuǎn)換”（OFT）算法。

作者把這種算法和端到端的深度學習架構結合起來，在KITTI 3D目標檢測任務上實現(xiàn)了領先的成績。

這套算法包括5個部分：

1. 前端ResNet特征提取器，用于從輸入圖像中提取多尺度特征圖。
2. 正交特征變換，將每個尺度的基于圖像的特征圖變換為正投影鳥瞰圖表示。
3. 自上而下的網(wǎng)絡，由一系列ResNet殘余單元組成，以一種對圖像中觀察到的觀察效果不變的方式處理鳥瞰圖特征圖。
4. 一組輸出頭，為每個物體類和地平面上的每個位置生成置信分數(shù)、位置偏移、維度偏移和方向向量等數(shù)據(jù)。
5. 非最大抑制和解碼階段，識別置信圖中的峰值并生成離散邊界框預測。

效果遠超Mono3D

作者用自動駕駛數(shù)據(jù)集KITTI中3712張訓練圖像，3769張圖像對訓練后的神經(jīng)網(wǎng)絡進行檢測。并使用裁剪、縮放和水平翻轉(zhuǎn)等操作，來增加圖像數(shù)據(jù)集的樣本數(shù)量。

作者提出了根據(jù)KITTI 3D物體檢測基準評估兩個任務的方法：最終要求每個預測的3D邊界框應與相應實際物體邊框相交，在汽車情況下至少為70％，對于行人和騎自行車者應為50％。

與前人的Mono3D方法對比，OFT在鳥瞰圖平均精確度、3D物體邊界識別上各項測試成績上均優(yōu)于對手。

尤其在探測遠處物體時要遠超Mono3D，遠處可識別出的汽車數(shù)量更多。甚至在嚴重遮擋、截斷的情況下仍能正確識別出物體。在某些場景下甚至達到了3DOP系統(tǒng)的水平。

不僅在遠距離上，正投影特征轉(zhuǎn)換（OFT-Net）在對不同距離物體進行評估時都都優(yōu)于Mono3D。

但是與Mono3D相比，這套系統(tǒng)性能也明顯降低得更慢，作者認為是由于系統(tǒng)考慮遠離相機的物體造成的。

在正交鳥瞰圖空間中的推理顯著提高了性能。為了驗證這一說法，論文中還進行了一項研究：逐步從自上而下的網(wǎng)絡中刪除圖層。

下圖顯示了兩種不同體系結構的平均精度與參數(shù)總數(shù)的關系圖。

趨勢很明顯，在自上而下網(wǎng)絡中刪除圖層會顯著降低性能。

這種性能下降的一部分原因可能是，減少自上而下網(wǎng)絡的規(guī)模會降低網(wǎng)絡的整體深度，從而降低其代表性能力。

從圖中可以看出，采用具有大型自上而下網(wǎng)絡的淺前端（ResNet-18），可以實現(xiàn)比沒有任何自上而下層的更深層網(wǎng)絡（ResNet-34）更好的性能，盡管有兩種架構具有大致相同數(shù)量的參數(shù)。

資源

論文：

Orthographic Feature Transform for Monocular 3D Object Detection

https://arxiv.org/abs/1811.08188

作者表示等論文正式發(fā)表后，就放出預訓練模型和完整的源代碼。