原文链接:https://mp.weixin.qq.com/s/_HdGVC6orkL2zfiv5sqrMw?
?2D与3D区别
3D目标检测面临更多的挑战，主要的体现在不仅要找到物体在图像中出现的位置，还需要反投影到实际3D中获得空间中准确位置，需要进行绝对的尺寸估计。
现代自动驾驶汽车通常配备多个传感器，如激光雷达和摄像头。
- 激光雷达的优点是可直接获取空间目标的三维信息，且该深度信息精度较高，缺点价格稍贵；
- 相机的优点是可以保存更详细的语义信息，缺点是需要正确计算图像点与三维点的对应关系。
?3D目标检测的分类
三维目标检测按照传感器类型分为单目相机、双目相机、多目相机、激光雷达扫描、深度相机和红外相机目标检测。
- 由多目相机组成的立体视觉系统或者激光雷达可以实现更准确的3D推理信息。
- 单目RGB相机设备更便捷和更廉价，使用单目摄像头进行三维物体检测是经济型自动驾驶系统合理选择。
按照数据类型可分为三类分别是，即单目图像，多视图图像（视图或立体数据），点云目标检测。
- 基于单视图的方法，例如，[1],使用单目摄像头完成三维目标检测。
- 基于多视图的方法，例如，[2]，可以使用从不同视图的图像中得到的视差来获得深度图。
- 基于点云的方法，例如[3,4,5,6]，从点云获取目标信息，相比较而言基于点云的方法更为直观和准确的检测方法，由于点的深度数据可以直接测量，三维检测问题本质上是三维点的划分问题。
相比于使用雷达系统或者深度相机，使用摄像机系统成本更低，但是需要进行图像点的反投影，计算点在空间中的位置。除此之外，相比于深度图像点云数据，图像恢复深度可以适用于室外大尺度场景，这是普通深度相机所不能达到的。
单目图像3D目标检测
由射影几何学原理可知，仅仅依赖一副图像是无法恢复物体的三维位置，即使能得到相对位置信息，也无法获得真实尺寸。因此，正确检测目标的3D位置最少需要多个相机或者运动相机组成的立体视觉系统，或者由深度相机、雷达等传感器得到的3D点云数据。
对于特定类型目标，基于机器学习的方法使得通过单目相机进行物体3D检测成为可能。原因是特定类型目标往往具有很强的先验信息，因此依靠给真实物体做标注，联合学习物体类别和物体姿态可以大概估计出物体3D尺寸。不过，为了更好的估计物体的3D位置，更好的方法是联合学习方法和射影几何知识，来计算物体在真实世界中的尺度和位置。
A. Mousavian在CVPR2017提出了一种结合深度神经网络回归学习和几何约束的3D目标(主要针对车辆)检测和3维位置估计的算法[7]。论文中对车辆的三维姿态和位置进行建模，需要知道车辆在场景中的位置和车辆相对于摄像机的角度，以及车辆的尺寸大小。回归计算方位角和物体尺寸，利用投影公式，计算中心点向量。
GS3D[1]是基于引导和表面的三维车辆检测算法，由香港中文大学Buyu Li等完成，其思想为：首先预测二维检测框和观测角度；然后基于场景先验，生成目标的粗糙边界框，再将边界框重投影到图像平面，计算表面特征；最后通过子网络，由重投影特征进行分类学习，得到精细化的三维检测框。
通过2D探测器有效地确定预测对象的粗糙边界框。虽然粗糙，但可以接受。其精确度可以指导确定空间位置，尺寸（高度，宽度，长度）和物体的方向等。提取不同可见表面的特征，然后加以合并，因此结构信息被用来区分不同的三维边界框。将传统回归的形式重新表述为分类的形式，并为其设计了质量敏感的损失函数。主要贡献在于，基于可靠的二维检测结果，GS3D是一种纯单目摄像头的方法。可以有效为物体获取粗糙边界框。粗糙边界框提供了对象的位置大小和方向的可靠近似，并作为进一步优化的指导；利用投影在二维图像上的三维框的可见表面的结构信息，然后利用提取的特征解决模糊问题；设计比较之后发现基于质量敏感的损失的离散分类的效果要更好。
基于YOLO的三维目标检测：YOLO-6D[8]是一种使用一张2D图像来预测物体6D姿态的方法。但是，并不是直接预测6D姿态，而是通过预测3D编辑框在二维图像上的1个中心点和8个角点，然后在有九个点通过PNP算法计算得到6D姿态。把预测6D姿态问题转为了预测9个坐标点的问题。而在2D的目标检测中，我们实际上也是需要预测坐标点xy的。那么，我们能不能把目标检测框架拿来用呢？很显然是可以的。所以这篇文章就提出基于yolo的6D姿态估计框架。
双（多）视图图像3D目标检测
对于双目立体视觉，进行合理的双目匹配，通过相机之间的相对位置计算，可以得到比单目视觉更强的空间约束关系，因此结合已有的物体先验知识，可能得到比单目相机更准确的检测结果。
基于3DOP的3D目标检测[9]采用类似于Fast R-CNN的二步检测算法。对于具有2幅成对图像的双目立体视觉图像。具体的，首先采用Yamaguchi在ECCV2014年发表的方法[10]计算每个点的深度图像，由此生成点云数据，后续的处理是基于点云做为处理和输入数据。然后，采用Struct-SVM优化的方法选择3D检测的候选3D框y。最后，通过R-CNN方式，对每个候选框进行分类评估和位置回归。在此处考虑像素的深度数据，为了处理深度数据，可以直接在输入图像中增加深度数据图像，也可以采用双分支架构的判别和回归网络。但是这种双分支训练时需要更大的显存。
个人观点：
不论是在做项目还是写论文，选择网络的时候一定要注意网络的输入与输出形式：
输入形式：点云数据（或者处理后的点云数据）、原始拍摄图像等输出形式：目标类别、三维边框坐标和角度（位姿）等
基于立体视觉R-CNN的3D目标检测算法是扩展 Faster-RCNN网络框架到双目立体视觉进行3D目标检测的方法[11]。该方法的关键步骤是对左右图像的自动对齐学习，以及通过稠密匹配优化最终的检测结果。由左右视图图像经过2个相同的Faster-RCNN中的RPN结构计算左右视图中匹配的推送(proposals)矩形框stereo-RPN。RPN主干网络采用Resnet-101或者FPN。与Faster-RCNN中的RPN相比，stereo-RPN同时计算了可能的2D框，并且对左右视图的2D框进行了配对(association)。
基于立体R-CNN的自主驾驶3D目标检测方法相关解读
https://blog.csdn.net/qq_18941713/article/details/90691791?此方法不需要深度输入和三维位置信息，但优于现在所有的完全监督的基于图像的方法。
本方法的模型有点大，官方文档说是显存不足可以尝试轻量化模型，没有找到。
?提供的模型：
readme训练说明截图
具体做项目的时候需要考虑到项目场景、最终推理盒子性能等，来选择模型。
点云3D目标检测??
三维点云数据是由无序的数据点构成一个集合来表示。较为早期深度学习点云分类的方式有两种：
- 一种是将点云数据投影到二维平面，此种方式不直接处理三维的点云数据，而是先将点云投影到某些特定视角再处理，如前视视角和鸟瞰视角，同时，也可以融合使用来自相机的图像信息，通过将这些不同视角的数据相结合，来实现点云数据的认知任务。比较典型的算法有MV3D和AVOD；?
- 另一种是将点云数据划分到有空间依赖关系的voxel，此种方式通过分割三维空间，引入空间依赖关系到点云数据中，再使用3D卷积等方式来进行处理。这种方法的精度依赖于三维空间的分割细腻度，而且3D卷积的运算复杂度也较高。
- 不同于以上两种方法对点云数据先预处理再使用的方式，PointNet是直接在点云数据上应用深度学习模型的方法。
PointNet系列论文首先提出了一种新型的处理点云数据的深度学习模型，并验证了它能够用于点云数据的多种认知任务，如分类、语义分割和目标识别。PointNet的关键流程为：输入为一帧的全部点云数据的集合，表示为一个n×3的张量，其中n代表点云数量，3对应xyz坐标；输入数据先通过和一个T-Net学习到的转换矩阵相乘来对齐，保证了模型的对特定空间转换的不变性；通过多次mlp对各点云数据进行特征提取后，再用一个T-Net对特征进行对齐；在特征的各个维度上执行max-pooling操作来得到最终的全局特征；对分类任务，将全局特征通过mlp来预测最后的分类分数；对分割任务，将全局特征和之前学习到的各点云的局部特征进行串联，再通过mlp得到每个数据点的分类结果。
受到CNN的启发，作者提出了PointNet++，它能够在不同尺度提取局部特征，通过多层网络结构得到深层特征。PointNet++关键部分包括：采样层，组合层和特征提取层。上述各层构成了PointNet++的基础处理模块。如果将多个这样的处理模块级联组合起来，PointNet++就能像CNN一样从浅层特征得到深层语义特征。对于分割任务的网络，还需要将下采样后的特征进行上采样，使得原始点云中的每个点都有对应的特征。这个上采样的过程通过最近的k个临近点进行插值计算得到。
PointNet和PointNet++主要用于点云数据的分类和分割问题，Frustum-PointNet（F-PointNet）[12]将PointNet的应用拓展到了3D目标检测上。目前单纯基于Lidar数据的3D目标检测算法通常对小目标检测效果不佳，为了处理这个问题，F-PointNet提出了结合基于图像的2D检测算法来定位目标，再用其对应的点云数据视锥进行bbox回归的方法来实现3D目标检测。从KITTI数据集的检测结果来看，得益于精确的基于图像的2D检测模型，F-PointNet对小目标的检测效果确实处于领先地位。F-PointNet由2D目标检测模型和3D分割和回归网络构成，并非为端到端的模型。可以考虑将其组合成一个端到端的网络。
用于点云的目标检测方法，精度较高的还有港中文&商汤科技发表的Part-A2 Net[14]，而海康威视的Voxel-FPN[13]单论mAP只能说勉强接近SOTA水平，但论文mAP与FPS的Trade-off，50 FPS的速度，还是强压其他算法的。
参考文献
[1] Li B , Ouyang W , Sheng L , et al. GS3D: An Efficient 3D Object Detection Framework for Autonomous Driving[J]. 2019.
[2] X. Chen, K. Kundu, Y. Zhu, H. Ma, S. Fidler, and R. Urtasun. 3d object proposals using stereo imagery for accurate object class detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017.
[3] C. R. Qi, W. Liu, C. Wu, H. Su, and L. J. Guibas. Frustum pointnets for 3d object detection from rgb-d data. In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 2018.
[4] Y. Zhou and O. Tuzel. Voxelnet: End-to-end learning for point cloud based 3d object detection. In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 2018.
[5] J. Ku, M. Mozifian, J. Lee, A. Harakeh, and S. Waslander. Joint 3d proposal generation and object detection from view aggregation. IROS, 2018.
[6] Shi S , Wang X , Li H . PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud[J]. In IEEE CVPR, 2019.
[7]A. Mousavian, D. Anguelov, J. Flynn, J. Kosecka, “3d bounding box estimation
using deep learning and geometry”. In CVPR 2017, 5632-5640.
[8] Tekin B , Sinha S N , Fua P . Real-Time Seamless Single Shot 6D Object Pose Prediction[J]. 2017.
[9]A. Mousavian, D. Anguelov, J. Flynn, J. Kosecka, “3d bounding box estimation using deep learning and geometry”. In CVPR 2017, 5632-5640.
[10]K. Yamaguchi, D. McAllester, and R. Urtasun, “Efficient joint segmentation, occlusion labeling, stereo and flow estimation,” in Proc. Eur. Conf. Comput. Vis., 2014, pp. 756–771.
[11]P. Li, X. Chen, S. Shen. “Stereo R-CNN based 3D Object Detection for Autonomous Driving”. CVPR 2019.
[12] Qi C R , Liu W , Wu C , et al. Frustum PointNets for 3D Object Detection from RGB-D Data[J]. 2017.
[13] Wang B , An J , Cao J . Voxel-FPN: multi-scale voxel feature aggregation in 3D object detection from point clouds[J]. 2019.
[14] Shi S , Wang Z , Wang X , et al. Part-A^2 Net: 3D Part-Aware and Aggregation Neural Network for Object Detection from Poin Cloud[J]. 2019.