作者認爲單目3D目標檢測可以簡化爲深度估計問題,深度估計不準確限制了檢測的性能.已有的算法直接使用孤立實例或者像素估計深度,沒有考慮目標之間的集合關係,因此提出了構建預測的目標之間的幾何關係圖,來促進深度預測.
將深度值劃分成若干個區間,然後通過分佈的期望來計算深度值,在精度和速度上都取得了不錯的性能.PGD在FCOS3D的基礎上實現,如下圖所示.
深度預測模塊比較複雜,首先是直接深度迴歸DR.然後,將深度離散化,假設檢測範圍爲0~Dmax,離散單位爲U,那麼可以得到的分割點數量爲C=|_Dmax/U_|.將這組分割點記爲向量ω,那麼可以引入一個並行於直接回歸head的模塊,來生成概率圖DPM,用下面的式子解碼:
DP就是概率深度(Probabilistic Depth).取Top-2置信度的均值作爲深度置信度得分深度置信度得分(Depth Confidence Score).在推理時,深度置信度得分與中心度得分、分類得分相乘,作爲最終的排序指標使用.使用下面的式子將DR和DP融合:
σ(⋅)是 sigmoid 函數,λ是一個與數據無關的學習參數.DL是每個孤立的實例的局部深度估計(Local Depth Estimation).