单目3D目标检测入门

一、单目3D目标检测：

1. 3D目标检测领域有哪些任务和方法？

为了更直观，我画了一个思维导图，点击链接后，注意需要切换一下思维导图状态。

在3D目标检测领域，根据输入信息的不同，大致可分为三类方法。

1. Point Cloud-based Methods （基于点云来做）
2. Multimodal Fusion-based Methods（点云和图像的融合）
3. Monocular/Stereo Image-based Methods（单目/立体图像的方法）

  首先，基于点云的经典方法，比如VoxelNet(2018年)、PointPillars(2019年)、PointRCNN（2019年）等，这类方法都是直接在点云数据上进行特征的提取和RPN操作，将2D目标检测中的网络结构和思想迁移到3D点云中。

  点云和图像的融合方法是当前3D目标检测的主流。比较经典的算法有，2018年的MV3D、Frustum PointNets、2019年的Pseudo-LiDAR、2020年的PointPainting等算法。这里的Pseudo-LiDAR（也叫为激光雷达）这篇文章对后来的单目3D目标检测领域的发展起到了促进的作用。这里使用了双目图像来生成深度图，根据深度图得到点云数据，再进行目标检测任务。

  Stereo Image-based方法中，主要是基于双目图像的3D目标检测，这一领域我不太了解，以后再做补充。单目3D目标检测我是2021年刚接触的，比较出色的单目3D检测方法主要有：Mono3D PLiDAR、AutoShape、MonoRCNN、CaDDN等。而在单目3D目标检测领域，又可细分为三类方法。关于单目3D目标检测的分类翻译自CaDNN这篇文章

• 直接法（Direct Methods）
    所谓直接法就是直接从图像中估计出3D检测框，也无需预测中间的3D场景表示[9,52,4,32]。更进一步的说就是，直接法可以结合2D图像平面和3D空间的几何关系来辅助检测[53,12,40,3]。例如，可以在图像平面上估计出某对象的关键点，以帮助使用已知几何结构构建3D box[33,29]。[M3D-RPN][M3D-RPN: monocular 3D region proposal network for object detection. ICCV, 2019.][3]引入深度感知卷积，它按行划分输入并学习每个区域的no-shared kernels，以学习3D空间中位于相关区域的特定特征。
  可以对场景中的物体进行形状估计，从而理解三维物体的几何形状。形状估计可以从3D CAD模型的标记顶点中被监督[5,24]，或从LiDAR扫描[22]，或直接从输入数据以自我监督的方式[2]。
  直接法的缺点是检测框直接从2D图像中生成，没有产生明确的深度信息，相对于其它方法，定位性能较差。

• 基于深度的方法（Depth-Based Methods）
    该方法先利用深度估计网络结构来估计出图像的像素级深度图，再将该深度图作为输入用于3D目标检测任务，[论文][Deep ordinal regression network for monocular depth estimation. CVPR, 2018.]。将估计的深度图与原图像结合，再执行3D检测任务的论文有许多[38,64,36,13]。深度图可以转换成3D点云，这种方法被称为伪激光雷达（Pseudo-LiDAR）[59]，或者直接使用[61,65]，或者结合图像信息[62,37]来生成3D目标检测结果。基于深度的方法在训练阶段将深度估计从三维目标检测任务中分离，导致还需要学习用于三维检测任务的次佳的深度地图。如何理解上边这句话呢？**对于属于感兴趣的目标的像素，应该优先考虑获取精确的深度信息，而对于背景像素则不那么重要，如果深度估计和目标检测是独立训练的，则无法捕捉到这一属性。**所以将深度估计和目标检测任务融合成一个网络，效果会不会更好呢？

• 基于网格的方法（Grid-Based Methods）
    基于网格的方法通过预测BEV网格表示（BEV grid representation）[48,55]，来避免估计用做3D 检测框架输入的原始深度值。具体来说，OFT[48]通过将体素投射到图像平面和采样图像特征来填充体素网格，并将其转换为BEV表示。多个体素可以投影到同一图像特征上，导致特征沿着投影射线重复出现，降低了检测精度。

2. 什么是单目3D目标检测？

推荐参考博客：

• 单目3D目标检测论文笔记 3D Bounding Box Estimation - 知乎
• ICCV 2021 | 悉尼大学&商汤提出GUPNet：单目3D目标检测新网络

3.发展情况

Kitti的3D目标检测排行中，Car类第一的为SFD，Moderate中达到了84.76%，但是Setting中没有激光点云的符号。排第7的BtcDet使用了该符号，所示直接处理点云的方法至少达到了82%多的AP。

点云和图像融合的方法，在Car类的Easy和Moderate类中的AP，其实跟直接处理点云方法的AP差别不是很明显。

双目或者说是立体视觉3D目标检测的方法的AP大概在53%左右。

单目3D目标检测的AP在16%多吧。

（更新时间，2021年11月12日）
如果要查找更加详细的论文和模型精度、建议直接看KITTI关于3D目标检测的榜单：The KITTI Vision Benchmark Suite (cvlibs.net)

这里还有一个纯单目3D目标检测的榜单(包含代码和论文)：

4. 为什么要做单目的3D目标检测？

为何最近单目3D目标检测也成为了一个小热点领域？起因可能是因为：

• 伪激光雷达技术的提出（pseudo-LiDAR），利用图像模拟出雷达点云图像；
• 单目深度估计的逐渐发展；
• 纯点云，图像2D，多传感器融合检测的研究逐渐成熟，或者说快要达到天花板了。

从传感这个角度来说，
主动获取深度信息：如激光雷达、RGB-D相机

• 价格昂贵，有效的距离小，并且线数再多的激光雷达获取的点云也是稀疏的，缺乏纹理信息的。况且激光雷达贵，一辆自动驾驶汽车装几个激光雷达、后期怎么维护保养，工业界最看重的是成本问题！！

再说说双目相机：

• 误差较大，要求时间同步，体积较大（基线安装有要求，如果坏了一个，那就等于报废）

再说说单目相机：

• 价格亲民
• 体积小，功耗低；
• 贴近实际应用需求。

  并且，单目3D目标检测也不一定只能用于自动驾驶呀！只要设备上有摄像头，有3D检测的任务。这里推荐大家一个单目深度估计的小应用场景：https://roxanneluo.github.io/Consistent-Video-Depth-Estimation/； 单目3D检测最重要的一环就是单目深度估计，而单目深度估计在AR领域是广泛应用滴。比如AR虚拟试衣间，或者京东淘宝上的一些AR试鞋，你拿手机摄像头对着自己脚，鞋自动覆盖到你脚上，这一块用到的应该是目标检测或者语义分割吧。

二、应用场景：

推荐点击在线试鞋，体验一下AR技术吧。
单目3D目标检测的具体应用。我随后会单独整理在一篇博客中。

三、相关论文：

3D目标检测综述：

• Deep Learning for 3D Point Clouds: A Survey----2020年
• 3D Object Detection for Autonomous Driving: A Survey—2021年

  更多的文献可查看知乎上的这篇文章：单目3D视觉目标检测论文总结 - 知乎 (zhihu.com)，总结了100多篇单目3D目标检测领域的文章。

本专栏下，我将会持续不断的更新我读的一些论文和代码运行工作。

1. CaDDN：论文阅读  代码调试

四、相关数据集：

这里只列出比较常用的几个数据集的名字。数据集的详细说明在这篇博客中。

• KITTI Dataset
• Waymo Open
• NuScenes Dataset
• Cityscapes
• Lyft L5
• H3D
• Applloscape
• Argoverse

image source: 3D Object Detection for Autonomous Driving: A Survey

五、自动驾驶领域的相关企业：

百度华为地平线，小鹏蔚来特斯拉。还挺押韵滴！

国外： Waymo、Cruise、Nuro、Argo；

国内：百度、华为、AutoX、图森未来、Pony（小马智行）、Weride（文远知行）、Didi（滴滴）、Momenta、纵目科技、智加科技、小鹏、蔚来、理想、嬴彻科技、魔视智能。

每个公司详细介绍：

国内：百度、华为、AutoX、图森未来、Pony（小马智行）、Weride（文远知行）、Didi（滴滴）、Momenta、纵目科技、智加科技、小鹏、蔚来、理想、嬴彻科技、魔视智能。

每个公司详细介绍，我将单独整理在一篇博客中，包括公司的背景、薪资情况、主要发展方向。

版权声明：本文为CSDN博主「hello689」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/jiachang98/article/details/121432839