何愷明團(tuán)隊(duì)最新研究：提出一個(gè)端到端的3D目標(biāo)檢測器VoteNet

FAIR何愷明等人團(tuán)隊(duì)提出3D目標(biāo)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(jì)簡單，模型緊湊，效率高，在兩大真實(shí)3D掃描數(shù)據(jù)集上實(shí)現(xiàn)了最先進(jìn)的3D檢測精度。

當(dāng)前的3D目標(biāo)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(diǎn)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(diǎn)云中的物體。

近日，F(xiàn)acebook AI實(shí)驗(yàn)室(FAIR)和斯坦福大學(xué)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(gè)端到端的3D目標(biāo)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(diǎn)云數(shù)據(jù)構(gòu)建了一個(gè)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(diǎn)預(yù)測邊界框參數(shù)時(shí)面臨一個(gè)主要挑戰(zhàn)：一個(gè)3D物體的質(zhì)心可能遠(yuǎn)離任何表面點(diǎn)，因此很難用一個(gè)步驟準(zhǔn)確地回歸。

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

該模型設(shè)計(jì)簡單，模型尺寸緊湊，而且效率高，在ScanNet和SUN RGB-D兩大真實(shí)3D掃描數(shù)據(jù)集上實(shí)現(xiàn)了最先進(jìn)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(diǎn)云框架：直接處理原始數(shù)據(jù)，不依賴2D檢測器

3D目標(biāo)檢測的目的是對(duì)3D場景中的對(duì)象進(jìn)行定位和識(shí)別。更具體地說，在這項(xiàng)工作中，我們的目標(biāo)是估計(jì)定向的3D邊界框以及點(diǎn)云對(duì)象的語義類。

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

為了避免處理不規(guī)則點(diǎn)云，目前的3D檢測方法在很多方面都嚴(yán)重依賴基于2D的檢測器。例如，將Faster/Mask R-CNN等2D檢測框架擴(kuò)展到3D，或者將點(diǎn)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(duì)象。然而，這會(huì)犧牲幾何細(xì)節(jié)，而這些細(xì)節(jié)在雜亂的室內(nèi)環(huán)境中可能是至關(guān)重要。

在這項(xiàng)工作中，我們提出一個(gè)直接處理原始數(shù)據(jù)、不依賴任何2D檢測器的點(diǎn)云3D檢測框架。這個(gè)檢測網(wǎng)絡(luò)稱為VoteNet，是點(diǎn)云3D深度學(xué)習(xí)模型的最新進(jìn)展，并受到用于對(duì)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(diǎn)云3D目標(biāo)檢測

我們利用了PointNet++，這是一個(gè)用于點(diǎn)云學(xué)習(xí)的分層深度網(wǎng)絡(luò)，以減少將點(diǎn)云轉(zhuǎn)換為規(guī)則結(jié)構(gòu)的需要。通過直接處理點(diǎn)云，不僅避免了量化過程中信息的丟失，而且通過僅對(duì)感測點(diǎn)進(jìn)行計(jì)算，利用了點(diǎn)云的稀疏性。

雖然PointNet++在對(duì)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(diǎn)云中的3D對(duì)象。

一個(gè)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(diǎn)提出3D邊界框。然而，點(diǎn)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(biāo)中心附近存在一個(gè)像素，但在點(diǎn)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(yuǎn)離任何點(diǎn)的空白空間中。因此，基于點(diǎn)的網(wǎng)絡(luò)很難在目標(biāo)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(gè)問題，因?yàn)楫?dāng)網(wǎng)絡(luò)捕獲更大的上下文時(shí)，它也會(huì)導(dǎo)致包含更多的附近的對(duì)象和雜物。

為此，我們提出賦予點(diǎn)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(jī)制。通過投票，我們基本上生成了靠近對(duì)象中心的新的點(diǎn)，這些點(diǎn)可以進(jìn)行分組和聚合，以生成box proposals。

與傳統(tǒng)的多獨(dú)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(diǎn)云網(wǎng)絡(luò)傳遞輸入點(diǎn)云之后，我們對(duì)一組種子點(diǎn)進(jìn)行采樣，并根據(jù)它們的特征生成投票。投票的目標(biāo)是到達(dá)目標(biāo)中心。因此，投票集群出現(xiàn)在目標(biāo)中心附近，然后可以通過一個(gè)學(xué)習(xí)模塊進(jìn)行聚合，生成box proposals。其結(jié)果是一個(gè)強(qiáng)大的3D物體檢測器，它是純幾何的，可以直接應(yīng)用于點(diǎn)云。

我們在兩個(gè)具有挑戰(zhàn)性的3D目標(biāo)檢測數(shù)據(jù)集上評(píng)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(gè)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(yàn)證了當(dāng)目標(biāo)中心遠(yuǎn)離目標(biāo)表面時(shí)，VoteNet能夠提供最大的改進(jìn)。

綜上所述，我們工作的貢獻(xiàn)如下：

在通過端到端可微架構(gòu)進(jìn)行深度學(xué)習(xí)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(gè)數(shù)據(jù)集上實(shí)現(xiàn)了最先進(jìn)的3D目標(biāo)檢測性能。

深入分析了投票在點(diǎn)云3D目標(biāo)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(gè)步驟。

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

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

首先，投票是針對(duì)稀疏集合設(shè)計(jì)的，因此很自然地適合于點(diǎn)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(gè)獨(dú)立的模塊組成的，將其集成到點(diǎn)云網(wǎng)絡(luò)仍然是一個(gè)開放的研究課題。為此，我們建議對(duì)不同的pipeline部分進(jìn)行以下調(diào)整：

興趣點(diǎn)(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(xué)習(xí)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(duì)投票位置進(jìn)行增強(qiáng)，從而實(shí)現(xiàn)更好的聚合。

投票聚合(Vote aggregation)是通過可訓(xùn)練參數(shù)的點(diǎn)云處理層實(shí)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(jìn)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(gè)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(gè)網(wǎng)絡(luò)可以分為兩部分：一部分處理現(xiàn)有的點(diǎn)來生成投票；另一部分處理虛擬點(diǎn)——投票——來提議和分類對(duì)象。

圖2：用于點(diǎn)云中3D目標(biāo)檢測的VoteNet架構(gòu)

給定一個(gè)包含N個(gè)點(diǎn)和XYZ坐標(biāo)的輸入點(diǎn)云，一個(gè)主干網(wǎng)絡(luò)(使用PointNet++實(shí)現(xiàn))，對(duì)這些點(diǎn)進(jìn)行采樣和學(xué)習(xí)深度特性，并輸出M個(gè)點(diǎn)的子集。這些點(diǎn)的子集被視為種子點(diǎn)。每個(gè)種子通過投票模塊獨(dú)立地生成一個(gè)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(shí)驗(yàn)和結(jié)果

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

然后，我們提供了分析實(shí)驗(yàn)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(biāo)檢測結(jié)果

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

結(jié)果如表1和表2所示。在SUN RGB-D和ScanNet兩個(gè)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(dāng)類別是訓(xùn)練樣本最多的“椅子”時(shí)，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(shí)，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(shí)驗(yàn)：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(gè)簡單的基線網(wǎng)絡(luò)，稱之為BoxNet，它直接從采樣的場景點(diǎn)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(jī)制，而是直接從種子點(diǎn)生成框。

表3顯示，在SUN RGB-D和ScanNet上，相比BoxNet，投票機(jī)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(rèn)為，由于在稀疏的3D點(diǎn)云中，現(xiàn)有的場景點(diǎn)往往遠(yuǎn)離目標(biāo)中心點(diǎn)，直接提出的方案可能置信度較低或不準(zhǔn)確。相反，投票讓這些較低的置信點(diǎn)更接近，并允許通過聚合來強(qiáng)化它們的假設(shè)。

在圖3中，我們在一個(gè)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(diǎn)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(zhǔn)確檢測的可能性。

圖4：當(dāng)目標(biāo)點(diǎn)遠(yuǎn)離目標(biāo)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(gè)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(dāng)強(qiáng)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(biāo)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(biāo)檢測的定性結(jié)果。(從左到右)：場景的圖像，VoteNet的3D對(duì)象檢測，以及ground-truth注釋

結(jié)論

在這項(xiàng)工作中，我們介紹了VoteNet：一個(gè)簡單但強(qiáng)大的3D對(duì)象檢測模型，受到霍夫投票的啟發(fā)。

該網(wǎng)絡(luò)學(xué)習(xí)直接從點(diǎn)云向目標(biāo)質(zhì)心投票，并學(xué)會(huì)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(diǎn)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(jìn)。

在未來的工作中，我們將探索如何將RGB圖像納入這個(gè)檢測框架，并在下游應(yīng)用(如3D實(shí)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(xué)習(xí)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(jì)、基于模板的檢測等，并期待在這方面看到更多的研究。