FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection

Paper name

Paper Reading Note

URL: https://arxiv.org/pdf/2104.10956.pdf

TL;DR

基于 Fcos 改进的 3d 检测方案，在 NeurIPS 2020 的 nuScenes 3d 检测比赛上取得了第一名成绩

Introduction

Fcos3d 方案
- 将 7-DoF 3D 目标解耦为 2D 和 3D 的属性
- 考虑对象的二维比例，将对象分布到不同的特征级别，并仅根据训练过程的投影三维中心进行分配
- center-ness 根据三维中心重新定义为二维高斯分布，以适应三维目标公式

Dataset/Algorithm/Model/Experiment Detail

实现方式

Backbone：使用 resnet101，固定第一层的卷积参数从而减少显存消耗
FPN：生成特征层 P3-P7，每个特征层用于检测不同尺度的目标
Detection Head：包含4个共享参数的卷积层和 small heads 用于不同的 targets 预测；回归分支需要较高的解耦程度，即每个子 targets 都设置一个 heads，所有回归的目标如上图所示

fcos3d 设计了一种新的旋转编码方案，即将360°角度回归解耦为方向的二分类和180°角度回归，在角度正确性上超过了 CenterNet

loss 设计
- 分类使用 focal loss
- 回归基本上使用 smoothL1 loss，方向分类和 center-ness 使用 binary cross entropy 损失
- 总损失
center-ness loss 设计
- 因为这里回归的是 3d 中心点，所以如下所示使用以 3D 中心投影点为远点的 2D 高斯分布作为 center-ness 的目标，然后再以此为真值计算 BCE loss
测试阶段
- class score 和 center-ness 相乘作为预测的置信度，然后在 bird view 中进行 rotated NMS 得到最终的的结果
训练的样本分配问题
- gt 的分配基本和 fcos 一样，将 3D 的gt框投影到2D平面上，取最大外接矩形作为 2D gt 框
- 之前 fcos 使用 area-based 方法解决正样本分配的歧义性问题，即当两个样本都符合要求时选尺寸小的样本；作为认为这种方式对大目标不友好，提出了一种新的 dist-based 方案提升了精度，即挑选与中心更近的样本
- 除了上面的样本分配方法，还提出了一种基于 3d-center 来确定正样本的方法，即只有和中心点距离小于 1.5xstride 的样本算作正样本
- 对每个回归分支的结果增加一个 scale 变换能涨点，该 scale 参数设置为网络可学习

实验结果

评测指标

使用在地平面上的 2D center 与 gt 的距离作为 threshold，避免使用 IoU 作为 threshold 对物体size 和朝向敏感的问题

其中 C 代表所有类别，D代表4个距离阈值： 0.5m,1m,2m,4m
True Positive metrics
- Average Translation Error (ATE)： 2d 下的中心距离差距（m）
- Average Scale Error (ASE)： 1-IoU，IoU为对齐 translation 和 orientation 后计算的值
- Average Orientation Error (AOE)：smallest yaw angle difference（radians）
- Average Velocity Error (AVE)：速度差异的 L2-Norm (m/s)
- Average Attribute Error (AAE)：1−acc，其中 acc 指代属性分类准确度
NuScenes Detection Score（NDS）
- NuScenes 官方提供的更全面的指标

对比精度

消融实验

看一看出depth loss、dist-based target assign，Stronger backbone，DCN，Finetune w/ depth weight=1.0 是涨点程度较大的技巧

可视化

Thoughts

部分比赛用的涨点 trick 还是很实用的，一些 fcos 的结构也对 3d 检测任务进行了适配，思想值得借鉴

FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection相关推荐

【论文翻译】FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection
文章目录 PaperInfo Abstract 1 Introduction 2 Related Work 2D Object Detection Monocular 3D Object Detect ...
论文精读《OFT: Orthographic Feature Transform for Monocular 3D Object Detection》
OFT: Orthographic Feature Transform for Monocular 3D Object Detection 文章目录 OFT: Orthographic Feature ...
【论文翻译】Orthographic Feature Transform for Monocular 3D Object Detection
标题:<Orthographic Feature Transform for Monocular 3D Object Detection> 作者:Thomas Roddick, Alex ...
复现 MonoEF：Monocular 3D Object Detection: An Extrinsic Parameter Free Approach
复现 MonoEF:Monocular 3D Object Detection: An Extrinsic Parameter Free Approach 时间:2022年7月13日代码连接: ht ...
论文阅读笔记：(2021.06, cvpr) Monocular 3D Object Detection: An Extrinsic Parameter Free Approach
这是一篇发表在了cvpr 2021上,能够在线估计外参的单目3D目标检测算法,借鉴了visual odometry和style transfer的方法,效果好, 速度快(~30ms), 意料之外,情理 ...
Delving into Localization Errors for Monocular 3D Object Detection 论文学习
论文地址:Delving into Localization Errors for Monocular 3D Object Detection Github地址:Delving into Locali ...
论文精读《CaDNN: Categorical Depth Distribution Network for Monocular 3D Object Detection》
CaDNN: Categorical Depth Distribution Network for Monocular 3D Object Detection 文章目录 CaDNN: Categori ...
【3D目标检测】SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation
目录前提概述细节网络结构特征提取网络检测头1:关键点检测检测头2:3D参数回归损失函数前提需要先了解下CenterNet [目标检测]Objects as Points 概述本文 ...
MONODISTILL: LEARNING SPATIAL FEATURES FOR MONOCULAR 3D OBJECT DETECTION
Paper name MONODISTILL: LEARNING SPATIAL FEATURES FOR MONOCULAR 3D OBJECT DETECTION Paper Reading No ...

FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection

TL;DR

Introduction

Dataset/Algorithm/Model/Experiment Detail

实现方式

实验结果

评测指标

对比精度

消融实验

可视化

Thoughts

FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection相关推荐

最新文章

热门文章