何愷明團隊最新研究：提出一個端到端的3D目標檢測器VoteNet

FAIR何愷明等人團隊提出3D目標檢測新框架VoteNet，直接處理原始數(shù)據(jù)，不依賴任何2D檢測器。該模型設(shè)計簡單，模型緊湊，效率高，在兩大真實3D掃描數(shù)據(jù)集上實現(xiàn)了最先進的3D檢測精度。

當前的3D目標檢測方法受2D檢測器的影響很大。為了利用2D檢測器的架構(gòu)，它們通常將3D點云轉(zhuǎn)換為規(guī)則的網(wǎng)格，或依賴于在2D圖像中檢測來提取3D框。很少有人嘗試直接檢測點云中的物體。

近日，F(xiàn)acebook AI實驗室(FAIR)和斯坦福大學的Charles R. Qi，Or Litany，何愷明，Leonidas J. Guibas等人發(fā)表最新論文，提出一個端到端的3D目標檢測器VoteNet。

論文地址：

https://arxiv.org/pdf/1904.09664.pdf

在這篇論文中，研究人員回歸第一原則，為點云數(shù)據(jù)構(gòu)建了一個盡可能通用的3D檢測pipeline。

然而，由于數(shù)據(jù)的稀疏性，直接從場景點預(yù)測邊界框參數(shù)時面臨一個主要挑戰(zhàn)：一個3D物體的質(zhì)心可能遠離任何表面點，因此很難用一個步驟準確地回歸。

為了解決這一問題，研究人員提出VoteNet，這是一個基于深度點集網(wǎng)絡(luò)和霍夫投票的端到端3D目標檢測網(wǎng)絡(luò)。

該模型設(shè)計簡單，模型尺寸緊湊，而且效率高，在ScanNet和SUN RGB-D兩大真實3D掃描數(shù)據(jù)集上實現(xiàn)了最先進的3D檢測精度。值得注意的是，VoteNet優(yōu)于以前的方法，而且不依賴彩色圖像，使用純幾何信息。

VoteNet點云框架：直接處理原始數(shù)據(jù)，不依賴2D檢測器

3D目標檢測的目的是對3D場景中的對象進行定位和識別。更具體地說，在這項工作中，我們的目標是估計定向的3D邊界框以及點云對象的語義類。

與2D圖像相比，3D點云具有精確的幾何形狀和對光照變化的魯棒性。但是，點云是不規(guī)則的。因此，典型的CNN不太適合直接處理點云數(shù)據(jù)。

為了避免處理不規(guī)則點云，目前的3D檢測方法在很多方面都嚴重依賴基于2D的檢測器。例如，將Faster/Mask R-CNN等2D檢測框架擴展到3D，或者將點云轉(zhuǎn)換為常規(guī)的2D鳥瞰圖像，然后應(yīng)用2D檢測器來定位對象。然而，這會犧牲幾何細節(jié)，而這些細節(jié)在雜亂的室內(nèi)環(huán)境中可能是至關(guān)重要。

在這項工作中，我們提出一個直接處理原始數(shù)據(jù)、不依賴任何2D檢測器的點云3D檢測框架。這個檢測網(wǎng)絡(luò)稱為VoteNet，是點云3D深度學習模型的最新進展，并受到用于對象檢測的廣義霍夫投票過程的啟發(fā)。

圖1：基于深度霍夫投票模型的點云3D目標檢測

我們利用了PointNet++，這是一個用于點云學習的分層深度網(wǎng)絡(luò)，以減少將點云轉(zhuǎn)換為規(guī)則結(jié)構(gòu)的需要。通過直接處理點云，不僅避免了量化過程中信息的丟失，而且通過僅對感測點進行計算，利用了點云的稀疏性。

雖然PointNet++在對象分類和語義分割方面都很成功，但很少有研究使用這種架構(gòu)來檢測點云中的3D對象。

一個簡單的解決方案是遵循2D檢測器的常規(guī)做法，并執(zhí)行dense object proposal，即直接從感測點提出3D邊界框。然而，點云的固有稀疏性使得這種方法不適宜。

在圖像中，通常在目標中心附近存在一個像素，但在點云中卻不是這樣。由于深度傳感器僅捕獲物體的表面，因此3D物體的中心很可能在遠離任何點的空白空間中。因此，基于點的網(wǎng)絡(luò)很難在目標中心附近聚集場景上下文。簡單地增加感知域并不能解決這個問題，因為當網(wǎng)絡(luò)捕獲更大的上下文時，它也會導(dǎo)致包含更多的附近的對象和雜物。

為此，我們提出賦予點云深度網(wǎng)絡(luò)一種類似于經(jīng)典霍夫投票(Hough voting)的投票機制。通過投票，我們基本上生成了靠近對象中心的新的點，這些點可以進行分組和聚合，以生成box proposals。

與傳統(tǒng)的多獨立模塊、難以聯(lián)合優(yōu)化的霍夫投票相比，VoteNet是端到端優(yōu)化的。具體來說，在通過主干點云網(wǎng)絡(luò)傳遞輸入點云之后，我們對一組種子點進行采樣，并根據(jù)它們的特征生成投票。投票的目標是到達目標中心。因此，投票集群出現(xiàn)在目標中心附近，然后可以通過一個學習模塊進行聚合，生成box proposals。其結(jié)果是一個強大的3D物體檢測器，它是純幾何的，可以直接應(yīng)用于點云。

我們在兩個具有挑戰(zhàn)性的3D目標檢測數(shù)據(jù)集上評估了我們的方法：SUN RGB-D數(shù)據(jù)集和ScanNet數(shù)據(jù)集。在這兩個數(shù)據(jù)集上，僅使用幾何信息的VoteNet明顯優(yōu)于使用RGB和幾何甚至多視圖RGB圖像的現(xiàn)有技術(shù)。我們的研究表明，投票方案支持更有效的上下文聚合，并驗證了當目標中心遠離目標表面時，VoteNet能夠提供最大的改進。

綜上所述，我們工作的貢獻如下：

在通過端到端可微架構(gòu)進行深度學習的背景下，重新制定了霍夫投票，我們稱之為VoteNet。

在SUN RGB-D和ScanNet兩個數(shù)據(jù)集上實現(xiàn)了最先進的3D目標檢測性能。

深入分析了投票在點云3D目標檢測中的重要性。

深度霍夫投票(Deep Hough Voting)

傳統(tǒng)的霍夫投票2D檢測器包括離線和在線兩個步驟。

首先，給定一組帶有帶注釋的對象邊界框的圖像集，使用存儲在圖像補丁(或它們的特性)和它們到相應(yīng)目標中心的偏移量之間的映射構(gòu)建一個codebook。

在推理時，從圖像中選擇興趣點以提取周圍的補丁(patch)。然后將這些補丁與codebook中的補丁進行比較，以檢索偏移量并計算投票。由于對象補丁傾向于一致投票，因此集群將在目標中心附近形成。最后，通過將集群投票追溯到它們生成的補丁來檢索對象邊界。

我們確定這種技術(shù)非常適合我們感興趣的問題，有兩個方面：

首先，投票是針對稀疏集合設(shè)計的，因此很自然地適合于點云。

其次，它基于自底向上的原理，積累少量的局部信息以形成可靠的檢測。

然而，傳統(tǒng)的霍夫投票是由多個獨立的模塊組成的，將其集成到點云網(wǎng)絡(luò)仍然是一個開放的研究課題。為此，我們建議對不同的pipeline部分進行以下調(diào)整：

興趣點(Interest points)由深度神經(jīng)網(wǎng)絡(luò)來描述和選擇，而不是依賴手工制作的特性。

投票(Vote)生成是通過網(wǎng)絡(luò)學習的，而不是使用代碼本。利用更大的感受野，可以使投票減少模糊，從而更有效。此外，還可以使用特征向量對投票位置進行增強，從而實現(xiàn)更好的聚合。

投票聚合(Vote aggregation)是通過可訓練參數(shù)的點云處理層實現(xiàn)的。利用投票功能，網(wǎng)絡(luò)可以過濾掉低質(zhì)量的選票，并生成改進的proposals。

Object proposals的形式是：位置、維度、方向，甚至語義類，都可以直接從聚合特征生成，從而減少了追溯投票起源的需要。

接下來，我們將描述如何將上述所有組件組合成一個名為VoteNet的端到端網(wǎng)絡(luò)。

VoteNet 的架構(gòu)

圖2描述了我們提出的端到端檢測網(wǎng)絡(luò)VoteNet的架構(gòu)。整個網(wǎng)絡(luò)可以分為兩部分：一部分處理現(xiàn)有的點來生成投票；另一部分處理虛擬點——投票——來提議和分類對象。

圖2：用于點云中3D目標檢測的VoteNet架構(gòu)

給定一個包含N個點和XYZ坐標的輸入點云，一個主干網(wǎng)絡(luò)(使用PointNet++實現(xiàn))，對這些點進行采樣和學習深度特性，并輸出M個點的子集。這些點的子集被視為種子點。每個種子通過投票模塊獨立地生成一個投票。然后將投票分組為集群，并由proposal模塊處理，生成最終的proposal。

實驗和結(jié)果

我們首先在兩個大型3D室內(nèi)目標檢測基準上，將我們基于霍夫投票的檢測器與之前最先進的方法進行比較。

然后，我們提供了分析實驗來了解投票的重要性、不同的投票聚合方法的效果，并展示了我們的方法在緊湊性和效率方面的優(yōu)勢。

最后，我們展示了我們的檢測器的定性結(jié)果。論文附錄中提供了更多的分析和可視化。

表1：SUN RGB-D val數(shù)據(jù)集上的3D目標檢測結(jié)果

表2：ScanNetV2 val數(shù)據(jù)集上的3D目標檢測結(jié)果

結(jié)果如表1和表2所示。在SUN RGB-D和ScanNet兩個數(shù)據(jù)集中，VoteNet的性能都優(yōu)于所有先前的方法，分別增加了3.7和6.5 mAP。

表1表明，當類別是訓練樣本最多的“椅子”時，我們的方法比以前的最優(yōu)方法提高11 AP。

表2表明，僅使用幾何輸入時，我們的方法顯著優(yōu)于基于3D CNN的3D-SIS方法，超過了20 AP。

分析實驗：投票好還是不投票好呢？

投票好還是不投票好呢？

我們采用了一個簡單的基線網(wǎng)絡(luò)，稱之為BoxNet，它直接從采樣的場景點提出檢測框，而不需要投票。

BoxNet具有與VoteNet相同的主干，但它不采用投票機制，而是直接從種子點生成框。

表3顯示，在SUN RGB-D和ScanNet上，相比BoxNet，投票機制的網(wǎng)絡(luò)性能分別提高了7 mAP和～5 mAP。

表3：VoteNet和no-vote基線的比較

那么，投票在哪些方面有幫助呢？我們認為，由于在稀疏的3D點云中，現(xiàn)有的場景點往往遠離目標中心點，直接提出的方案可能置信度較低或不準確。相反，投票讓這些較低的置信點更接近，并允許通過聚合來強化它們的假設(shè)。

在圖3中，我們在一個典型的ScanNetV2場景中演示了這種現(xiàn)象。從圖中可以看出，與BoxNet(圖左)相比，VoteNet(圖右)提供了更廣泛的“好”種子點的覆蓋范圍，顯示了投票帶來的穩(wěn)健性。

圖3：投票有助于增加檢測上下文，從而增加了準確檢測的可能性。

圖4：當目標點遠離目標中心的情況下，投票更有幫助

定性結(jié)果和討論

圖6和圖7分別展示了ScanNet和SUN RGB-D場景中VoteNet檢測結(jié)果的幾個代表性例子。

可以看出，場景是非常多樣化的，并提出了多種挑戰(zhàn)，包括雜亂，偏見，掃描的偽像等。盡管有這些挑戰(zhàn)，我們的網(wǎng)絡(luò)仍顯示出相當強大的結(jié)果。

例如，圖6展示了如何在頂部場景中正確地檢測到絕大多數(shù)椅子。我們的方法能夠很好地區(qū)分左下角場景中連起來的沙發(fā)椅和沙發(fā)；并預(yù)測了右下角那張不完整的、雜亂無章的桌子的完整邊界框。

圖6：ScanNetV2中3D目標檢測的定性結(jié)果。左：VoteNet的結(jié)果，右: ground-truth

圖7：SUN RGB-D中3D目標檢測的定性結(jié)果。(從左到右)：場景的圖像，VoteNet的3D對象檢測，以及ground-truth注釋

結(jié)論

在這項工作中，我們介紹了VoteNet：一個簡單但強大的3D對象檢測模型，受到霍夫投票的啟發(fā)。

該網(wǎng)絡(luò)學習直接從點云向目標質(zhì)心投票，并學會通過它們的特性和局部幾何信息來聚合投票，以生成高質(zhì)量的object proposals。

該模型僅使用3D點云，與之前使用深度和彩色圖像的方法相比，有了顯著的改進。

在未來的工作中，我們將探索如何將RGB圖像納入這個檢測框架，并在下游應(yīng)用(如3D實例分割)匯總利用我們的檢測器。我們相信霍夫投票和深度學習的協(xié)同作用可以推廣到更多的應(yīng)用領(lǐng)域，如6D姿態(tài)估計、基于模板的檢測等，并期待在這方面看到更多的研究。