【论文解读】单目3D目标检测 MonoCon（AAAI2022）

 本文分享单目3D目标检测，MonoCon模型的论文解读，了解它的设计思路，论文核心观点，模型结构，以及效果和性能。

 一、MonoCon简介

MonoCon是一个延续CenterNet框架的单目3d检测器，在不依赖dcn的情况下获得了较好的性能，并且融入了辅助学习，提升模型性能。

曾经在Kitti 单目3D目标检测上，霸榜了一段时间。

MonoCon和MonoDLE很像，在它基础上添加了一些辅助分支检测头，促进网络学习特征的能力。

• MonoCon = MonoDLE + 辅助学习
• 辅助学习：训练阶段增加一些网络分支，对其计算loss项，而在推理阶段完全忽略掉它们，以期得到更好的特征表示。

开源地址（官方）：https://github.com/Xianpeng919/MonoCon

开源地址（pytorhc）：https://github.com/2gunsu/monocon-pytorch

论文地址：Learning Auxiliary Monocular Contexts Helps Monocular 3D Object Detection

二、论文核心观点

论文核心观点，主要包括为两点：

1. 带注释的3D 边界框，可以产生大量可用的良好投影的 2D 监督信号。
2. 使用辅助学习，促进网络学习特征的能力。

三、模型框架

MonoCon是基于CenterNet框架，实现单目3d检测的。模型结构如下：

Backbone：DLA34

Neck：DLAUp

常规3D框检测头：5个分支

• 分支一 通过输出heatmap，预测2D框中心点的粗略坐标，以及类别分数。
• 分支二 预测2D框中心点粗坐标与真实的3D投影坐标之间的偏移。
• 分支三 预测2D框中心点粗坐标的深度值，和其不确定性。
• 分支四 预测3D框的尺寸。
• 分支五 预测观测角。

辅助训练头：5个分支

• 分支一  8个投影角点和3D框的投影中心。
• 分支二  8个投影角点到2D框中心的offsets。
• 分支三 2D框的尺寸。
• 分支四 2D框中心量化误差建模。
• 分支五 8个投影角点量化误差建模。

模型结构如下图所示：

四、模型预测信息与3D框联系

3D框相关的信息

1、3D中心点坐标（cw, yw, zw）：通过预测3D中心在像素坐标系下的坐标，结合相机内参可以获得中心点在图像物理坐标系下的坐标（x,y,z）。再结合预测深度zw，获得zw/z的比例系数，就能求出xw，yw。由此可见，深度估计对整体定位精度的影响还是很大的。

2、深度估计：基于端到端的思路实现；同时在输出上做了一个不确定性建模，在预测深度d的基础上同时预测标准差σ。对于σ的分布，文中做了拉普拉斯分布和高斯分布，起到一定优化作用。

3、尺寸估计：以往的尺寸估计，应用的损失函数都是通过计算和真值框之间的交并比来约束尺寸。这样带来的问题就是，由于中心点的预测误差导致的损失偏大，会给尺寸估计带来不必要的负担。所以作者提出了尺寸估计并专门设计了损失函数，只针对尺寸的预测误差对这个分支进行优化。并且根据长宽高对于IOU影响的比例不同，对参数优化的权重也按比例进行了设置。

4、航向角估计：用的是multi-bin loss。

模型预测信息，如下图所示：

五、损失函数

MonoCon的损失由10部分组成，

常规3D框检测头：5个分支

• 分支一 heatmap 类别分数，使用FocalLoss。2D 中心点损失，使用L1 Loss。
• 分支二 2D框中心点粗坐标与真实的3D投影坐标之间的偏移，使用L1 Loss。
• 分支三 2D框中心点粗坐标的深度值，和其不确定性，使用Laplacian Aleatoric Uncertainty Loss。（MonoPair & MonoDLE & MonoFlex & GUPNet）
• 分支四 预测3D框的尺寸，使用Dimension-Aware L1 Loss（MonoDLE）。
• 分支五 预测观测角，multi-bin Loss，其中分类部分使用 CrossEntropyLoss，回归部分使用 L1 Loss。

辅助训练头：5个分支

• 分支一  8个投影角点和3D框的投影中心，使用FocalLoss。
• 分支二  8个投影角点到2D框中心的offsets，使用L1 Loss。
• 分支三 2D框的尺寸，使用L1 Loss。
• 分支四 2D框中心量化误差建模。
• 分支五 8个投影角点量化误差建模。

损失函数相关代码如下

loss_center_heatmap=dict(type='CenterNetGaussianFocalLoss', loss_weight=1.0),
loss_wh=dict(type='L1Loss', loss_weight=0.1),
loss_offset=dict(type='L1Loss', loss_weight=1.0),
loss_center2kpt_offset=dict(type='L1Loss', loss_weight=1.0),
loss_kpt_heatmap=dict(type='CenterNetGaussianFocalLoss', loss_weight=1.0),
loss_kpt_heatmap_offset=dict(type='L1Loss', loss_weight=1.0),
loss_dim=dict(type='DimAwareL1Loss', loss_weight=1.0),
loss_depth=dict(type='LaplacianAleatoricUncertaintyLoss', loss_weight=1.0),
loss_alpha_cls=dict(
  type='CrossEntropyLoss',
  use_sigmoid=True,
  loss_weight=1.0),
loss_alpha_reg=dict(type='L1Loss', loss_weight=1.0),

补充说明 深度值损失的公式定义如下：

六、核心内容——辅助训练分支与3D检测分支

3D框检测头：5个分支

分支一 通过输出heatmap，预测2D框中心点的粗略坐标，以及类别分数。借鉴自CenterNet，预测C类目标（KITTI中为3类：Car，Pedestrian，Cyclist）的中心点坐标(xb, yb) 。

分支二 预测2D框中心点粗坐标与真实的3D投影坐标之间的偏移。2D框中心坐标(xb, yb)，到3D框中心坐标(xc, yc)之间的偏移。

分支三 预测2D框中心点粗坐标的深度值，和其不确定性；其中深度值采用逆Sigmoid进行处理。

编辑

g(F; θZ) 估计深度及其不确定性，应用逆 sigmoid 变换来处理 g(F; θZ)[0] 的无界输出。σZ 用于对深度估计中的异方差任意不确定性进行建模。

分支四 预测3D框的尺寸，即预测长、宽、高。

分支五 预测观测角，采用multi-bin策略，分成24个区间，前12个用于分类（粗略预测），后12个用于回归（精细预测）将直接回归问题转化为先分类，再回归的问题。

辅助训练头：5个分支

分支一 8个投影角点和3D框的投影中心。

分支二 8个投影角点到2D框中心的offsets。

分支三 2D框的尺寸。

分支四 2D框中心量化误差建模。

分支五 8个投影角点量化误差建模。

由于backbone降采样的存在，原始图像目标中心点的位置和backbone输出feature map中的位置之间，存在量化误差。MonoCon对2D中心和8个投影角点，分别进行量化误差建模。

在进行量化误差建模时，MonoCon采用了keypoint-agnostic方式，即关键点无关建模。

七、实验对比与模型效果

论文于KITTI 官方测试集中“汽车类别”的最先进方法进行比较，使用单个2080Ti GPU显卡测试的。

下表中由BEV和3D的测试结果，MonoCon运行时间和精度都是Top 级别的。

作者基于MonoDLE进行了对比实验，分析5个辅助训练分支，和把BN归一化换为AN归一化，对模型精度的影响。

模型预测效果：

下面是单目3D目标检测的效果，激光雷达点云数据仅用于可视化。

在前视图图像中，预测结果以蓝色显示，而地面实况以橙色显示。

在激光雷达视图图像中，预测结果显示为绿色。 地面实况 3D 框以蓝色显示。

分别显示2D框、3D框、BEV的检测效果：

分享完成~