论文阅读：Disp R-CNN:Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation

Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation

摘要（理解）

作者提出一种用于3D目标检测的名为disp R-CNN 的网络。该网络相较于一般的3D目标检测模型，不同点主要在：

1. 该网络仅估计感兴趣目标的视差；
2. 学习（识别特定的形状先验category-specific shape prior）以获得更精确的视差估计；
3. 可以不使用LiDAR提供的点云，而使用statistical shape model生成稠密视差伪真值；

实验结果：在$KITTI$数据集上显示，即使在训练时没有真值，Disp R-CNN 在准确度方面也获得了比state-of-the-art 的方法高20%的结果。

$\textbf{Q：伪真值获取方式}$

实验结果&结论

图5：上下3行分别显示，（感兴趣）3D边界预测、视差估计结果以及伪视差真值。
$\textbf{Q:视差估计与伪视差真值如何获得？}$

图6：对比PSMNet和iDispNet视差估计结果，可以发现iDispNet的估计结果更加细致。

方法

整体步骤：

1. 首先检测感兴趣目标mask（2D）
2. 仅估计mask内的目标的视差
3. 使用3D detector为每个instance的点云预测一个bounding boxes

Stereo Mask R-CNN（得到mask）

拓展了Stereo R-CNN 框架，用于左图的分割mask的预测，Stereo Mask R-CNN分两步：

1. Region Proposal Network 的双目变量，左右图像中的object proposals 从同一组anchor生成，以确保左右ROI区域的对应
2. 使用RoIAlign从feature map中提取特征，然后produce 2Dbounding boxes，classification scores 和instance segmentation mask。

Instance Disparity Estimation Network（对mask内的目标估计视差）

视差估计模型作用于恢复3D目标，因此视差估计的精度直接影响3D检测的性能。考虑到计算整个图片的视差是冗余的，并且（对于交通工具）来说the Lambertian reflectance assumption for the photometricconsistency constraint used in stereo matching cannot hold。 所以作者提出专门用于3D目标检测的基于学习的目标视差估计网络（instance disparity estimation network iDispNet）。

iDispNet只把RoI区域作为输入，并且只在前景像素上进行监督，所以它能够捕获特定类别的形状（it captures the category-specific shape prior ），因此可以产生更加精确的视差预测。
Formally speaking，对于像素$p$，full-frame disparity 定义为:
$D_f(p)=u_p^l-u_p^r \tag{1}$
其中$u_p^l$和$u_p^r$分别代表像素$p$在左右图中的水平座标。通过Stereo Mask R-CNN
获得的2D bounding boxes， “我们”能够从整体图像中剪切左右ROI，并且在水平方向使之对其。为了保证ROI具有相同的尺寸，它们的宽度$(w^l,w^r)$设置为值比较大的一个。ROI对齐之后，左图像上像素$p$的视差从全局视差转变为instance disparity：
$D_i(p)=D_f(p)-(b^l-b^r) \tag{2}$
其中$b^l$和$b^r$分别代表两图中bounding boxes的左边界，详细理解如下图：

“我们”的目标是学习$D_i(p)$，而非$D_f(p)$。
将左右图的所有ROI都resize为$H*W$。对于所有的属于目标$O$的像素$p$（$p$是否属于$O$由上述的instance segmentation mask判定），目标视差的loss function 定义为：
$L_{idisp}=\frac{1}{|O|}\sum_{p\in{O}}L_{1,smooth}(\hat{D}_i^{'}(p)-D_i^{'}(p)),\tag{3}$
$D_i^{'}(p)=\frac{D_i(p)}{max(w^l,w^r)}W,\tag{4}$
其中$\hat{D}_i^{'}(p)$是像素$p$的predicted instance disparity，$D_i^{'}(p)$ is the instance disparity ground-truth，$(w^l,w^r)$代表左右图的2D bounding boxes 的宽度，$|O|$代表属于目标$O$的像素的个数。iDispNet 输出$\hat{D}_i^{'}(p)$，便可以计算每个像素$p$所属的前景，然后作为接下来3D detector的输入。3D座标$(X,Y,Z)$的计算方法为：
$X=\frac{(u_p-c_u)}{f_u}Z,Y=\frac{v_p-c_v}{f_v}Z,$
$Z=\frac{Bf_u}{\hat{D}_i^{'}(p)+b^l-b^r},$
其中$B$是基线长度，$(c_u,c_v)$为相机中心的像素位置，$f_u,f_v$分别是水平和垂直焦距。

Pseudo Ground-truth Generation

训练双目匹配网络需要大量的稠密视差，但是多数数据集并不提供。通常是由于LiDAR点云的获取成本过高。得力于iDispNet仅需要前景监督（Benefiting from the design of the ispNet which only requires foreground supervision），“我们”提出一个不需要依赖LiDAR点云的为真实数据生成大量稠密视差伪真值的方法。 生成过程通过类别特定的形状先验模型实现，从该模型可以重建对象形状，然后将其渲染到图像平面，以获得稠密的视差真值。

使用the volumetric Truncated Signed Distance Function (TSDF) 作为形状表示，对于某些形状变化相对较小的刚性对象类别（例如交通工具），TSDF形状空间可以能够近似为一个低维度的子空间，将子空间的基定义为$V$，由训练形状的主成分中提取，mean shape 定义为$\mu$，从而一个instance的shape $\hat{\phi}$可以表示为：
$\hat{\phi}(z)=Vz+\mu,\tag{5}$
其中$z\in\mathbb{R}^K$是形状系数，$K$是子空间的维度。

给定3D bounding box 真值和instance的点云，我们能够通过最小化cost function（式6）为一个instance 重建形状系数$z$
$L_{pc}(z)=\frac{1}{|P|}\sum_{x\in{P}}\phi(x,z)^2,\tag{6}$
其中$\phi(x,z)$是由形状系数$z$定义的TSDF volume中的3D点$x$的插值，$P$是instance相关的点云，$|P|$是点云中点的个数。只有$z$在优化过程中被更新，这个cost function最小化了点云到由TSDF的过零点定义的物体表面的距离，点云可以从现成的视差估计模块或可选的LiDAR点获得。

由于上述的cost function不约束目标形状的3D尺寸，“我们”提出了以下尺寸正则化项，以减少物体溢出三维包围盒的情况：
$L_{dim}(z)=\sum_{v\in V^{out}} max(-\phi (v,z),0)^2,\tag{7}$
其中$V_{out}$表示体积中超过3D bounding box的所有体素，如图4表示尺寸正则化

为了将形状系数限制在适当的范围内，使用以下正则化项来惩罚优化形状与平均形状之间的偏差：
$L_z(z)=\sum_{k=1}^{K}(\frac{z_k}{\sigma_k})^2,\tag{8}$
$\sigma_k$表示第k个主分量对应的特征值。结合上述各个部分，最终的cost function为：
$L(z)=w_1L_{pc}(z)+w_2L_{dim}(z)+w_3L_z(z).\tag{9}$
最后，目标视差伪真值$D_i$可以根据优化对象进行渲染，如下：
$D_i=\frac{Bf_u}{\pi(M(\hat{\phi}(z)))}-(b^l-b^r),\tag{10}$其中$M$表示marching cubes 将TSDF体积转化为三角网格。$\pi$表示生成像素深度图的网格渲染器，上述图五第三行给出了一些伪视差真值的示例。

Discussion && Implementation Details

这一部分主要讲述了网络的选择和实现的细节

网络的选择

作者考虑了两种网络架构：

1. 只使用iDispNet的解码部分作为prediction head，从主干网提取的RoI特征在视差估计中被重新使用，disparity head 与网络的其他部分进行端到端的训练；
2. 将ROI图片从原图中分割出来，然后将ROI图片输入iDispNet的编码解码网络。

通过实验证明第二种架构较第一种架构更有优势，所以该文选择使用第二种架构。且作者认为原因在于：目标分割和视差估计的要求不一（We believe the reason behind this result is related to the different requirements between the tasks of instance segmentation and disparity estimation.）视差估计需要更细粒度的特征表示，以使像素级的代价体积处理更加精确，而实例分割则需要对属于对象的每个像素进行相同的类概率预测。通过联合训练端到端版本的网络，主干网必须在这两个不同的任务之间进行平衡，从而导致不理想的结果（机翻）.
伪视差真值生成的点云选择：总体来说，在形状优化过程中点云的使用有两种选择，1.可以是数据集中LiDAR获得的稀疏点云；2.通过off-the-shelf disparity estimation network 对其它数据集训练预测得到的。第一种方法能够提供更加精确的点云，但是对于优化$L_{pc}(z)$如果没有LiDAR点云，第二种方式是唯一的选择。“我们”评估于实现上述两种方法，方法2在没有LiDAR数据表现更优。

实现细节

该部分主要包括三件事情

1. iDispNet的结构与实现：使用PSMNet作为iDispNet的结构，ROI图片resize为224*224的大小作为input。在双目匹配中，视差搜索范围为-48到+48（该范围包含了数据集90%以上的视差分布范围）。
2. 3D detection network的实现：PointRCNN在这里用作3D object detection。“我们”使用从instance disparity 转换来的instance point cloud作为Point RCNN的输入，而不是将整个场景的点云作为输入。这样点云的size就被缩小到768.
3. 伪视差真值的生成：为了提高伪真值的稳定性，只有在3Dbounding boxes中的点才被用于优化（only points that sit inside of the ground-truth 3D bounding box are used for optimization）。对于少于10个点的目标，它的mean shape 可以未经优化而直接使用。我们选择PCA前五个主成分并且将体积设置为604060。训练数据来自Google。通过训练得到参数：$w_1=10/3,w_2=w_3=1$。优化使用一个用Ceres实现的Levenberg-Marquardt求解器。

训练策略

We train the Stereo Mask R-CNN for 20 epochs with a weight decay of 0.0005, the iDispNet for 100 epochs with a weight decay of 0.01and the PointRCNN 360 epochs with a weight decay of 0.0005. The learning rate is first warmed up to 0.01and then decreases slowly in all the training processes.

实验

在KITTI数据集上展开实验