前言
SMOKE是一种用于自动驾驶的实时单目 3D 物体检测器。为什么会注意这边文章呢？是因为这两天发布的百度Apollo 7.0 的摄像头障碍物感知，也是基于这个模型改进的；于是令我产生了一些兴趣。
论文名称：SMOKE: Single-Stage Monocular 3D Object Detection via Keypoint Estimation
论文地址：https://arxiv.org/pdf/2002.10111.pdf
开源地址：https://github.com/lzccccc/SMOKE
环境搭建：https://guo-pu.blog.csdn.net/article/details/122243245
本文创建一个基于docker的SMOKE开发环境；SMOKE模型效果如下。
一、论文动机
1.1 对于已有的两阶段单目3D目标检测框架：
a、基于2D目标检测网络生成目标的2D候选区域；
b、针对获取到的目标的“2D patch特征”预测目标位姿；
深度学习中的patch是做什么的？参考链接：https://www.zhihu.com/question/312883184
1.2 SMOKE
a、论文认为其中的2D检测对于单目3D检测任务来说是冗余的，且会引入噪声影响3D检测性能。
b、若已知相机内参和目标的3D属性，反过来是可以推测出目标的2D检测框的；
（即：基于3D box在图像平面上的投影点求取满足条件的最小外接矩形即可）
本论文抛弃了2D候选区域生成这一步，提出了一个基于关键点预测的一阶段单目3D检测框架SMOKE(Single-Stage Monocular 3D Object Detection via Keypoint Estimation)，直接预测目标的3D属性信息。
二、单目3D目标检测
针对单张RGB图像，宽度 W、高度 H、通道数 3；
给出其中每个目标的类别标签 C、3D边界框 B；其中B 可以用7个参数表示（h、w、l、x、y、z、θ）
(h、w、l) 表示目标的高度、宽度和长度；
(x、y、z) 表示目标中心点在相机坐标系下的坐标；
θ 表示目标的航向角。
需要加水相机的内参矩阵已知。
三、SMOKE 整体框架
输入图像经过DLA-34 Backbone进行特征提取。
网络主要包含两个分支：关键点分支和3D边界框回归分支。
四、SMOKE的 Backbone（主干网络）
目录
4.1、Deep Layer Aggregation，DLA-34网络（基础）
4.2、Deformable Convolutional ，可变形卷积（改进点）
5.3、Group Normbalization，组归一化（改进点）
4.1 DLA
Deep Layer Aggregation，DLA，一种网络特征融合方法。(CVPR 2018)
目的：更好地融合空间特征和语义信息；即：融合浅层的底层信息和深层的语义信息。
论文地址：https://arxiv.org/pdf/1707.06484.pdf
开源代码：https://github.com/ucbdrive/dla
DLA-34
论文中采用DLA-34作为主干网络进行特征提取，以便对不同层之间的特征进行聚合。
网络中主要做了两点改动如下：
1、 将所有的分层聚合连接替换为可变形卷积；
2、将所有的BN层用GN(GroupNorm)替换，因为GN对batch size大小不敏感，且对训练噪声更鲁棒，作者在实验部分也对这一点进行了验证。
Deep Layer Aggregation 解读参考：https://zhuanlan.zhihu.com/p/364196632
Deep Layer Aggregation 解读参考2：https://zhuanlan.zhihu.com/p/127949403
4.2 可变形卷积
Deformable Convolutional ，可变形卷积（ ICCV 2017）
论文地址：https://arxiv.org/pdf/1703.06211.pdf
开源地址：https://github.com/msracver/Deformable-ConvNets
指卷积核在每一个元素上额外增加了一个参数方向参数，这样卷积核就能在训练过程中扩展到很大的范围。
（a）是传统的标准卷积核，尺寸为3x3（图中绿色的点）；
（b）可变形卷积，通过在图（a）的基础上给每个卷积核的参数添加一个方向向量（图b中的浅绿色箭头），使的卷积核可以变为任意形状；
（c）和（d）是可变形卷积的特殊形式。
传统的卷积核通常是固定尺寸、固定大小的（例如3x3，5x5），它对于未知的变化适应性差，泛化能力不强。
例如：同一CNN层的激活单元的感受野尺寸都相同，但是不同的位置可能对应有不同尺度的物体，这些层需要能够自动调整尺度或者感受野的方法。
可变形卷积的卷积核可以根据实际情况调整本身的形状，更好的提取输入的特征。
即：卷积核的形状是可变的，也就是感受野可以变化，但注意感受野的元素是“不变”的。
参考：https://blog.csdn.net/LEEANG121/article/details/104234927
4.3 Group Normbalization
Group Normbalization（GN）是一种新的深度学习归一化方式，它解决了BN式归一化对batch size依赖的影响。
•BatchNorm：batch方向做归一化，算N*H*W的均值
•LayerNorm：channel方向做归一化，算C*H*W的均值
•InstanceNorm：一个channel内做归一化，算H*W的均值
•GroupNorm：将channel方向分group，然后每个group内做归一化，算(C//G)*H*W的均值
五、SMOKE的 3D检测网络
此部分主要包括关键点检测、3D边界框回归分支。
5.1 关键点检测
在关键点分支中，图像中的每一个目标用一个关键点进行表示。这里的关键点被定义为目标3D框的中心点在图像平面上的投影点，而不是目标的2D框中心点。
设关键点坐标为(𝑥𝑐,𝑦𝑐)(x_c,y_c)，则其与目标在相机坐标系下的位置(𝑥,𝑦,𝑧)(x,y,z)之间的关系表示如下边公式：
补充理解篇（相机模型）
参考：【视觉SLAM十四讲 高翔】https://www.bilibili.com/video/BV1Z5411t7oB?p=4
5.2 3D边界框回归分支
由于公式乱码，直接复制我的论文分享PPT了。
即：
关于深度z的参数，参考如下：
六、损失函数
七、训练细节
八、实验结果
8.1、3D目标检测、鸟瞰图、2D目标检测
8.2、消融实验
9.3、模型效果
9、SMOKE在百度Apollo7.0中应用
