每日疫情動態
在2D圖像中做3D目標檢測很難？
現在，拿著一部手機就能做到，還是實時的那種。
這就是谷歌AI今天發佈的MediaPipe Objectron，一個可以實時3D目標檢測的pipeline。
分開來看：
MediaPipe是一個開源的跨平臺框架，用於構建pipeline來處理不同模式的感知數據。
Objectron在移動設備上實時計算面向對象的3D邊界框。
日常生活中的物體，它都可以檢測，來看下效果。
它可以在移動端設備上，實時地確定物體的位置、方向和大小。
這個pipeline檢測2D圖像中的物體，然後通過機器學習模型，來估計它的姿態和大小。
那麼，它具體是怎麼做到的呢？
獲取真實世界中的3D數據
我們知道，3D數據集相對於2D來說，非常有限。
為了解決這個問題，谷歌AI的研究人員使用移動增強現實(AR)會話數據(session data)，開發了新的數據pipeline。
目前來說，大部分智能手機現在都具備了增強現實的功能，在這個過程中捕捉額外的信息，包括相機姿態、稀疏的3D點雲、估計的光照和平面。
為了標記groud truth數據，研究人員構建了一個新的註釋工具，並將它和AR會話數據拿來一起使用，能讓註釋器快速地標記對象的3D邊界框。
這個工具使用分屏視圖來顯示2D視頻幀，例如下圖所示。
左邊是覆蓋的3D邊界框，右邊顯示的是3D點雲、攝像機位置和檢測平面的視圖。
註釋器在3D視圖中繪製3D邊界框，並通過查看2D視頻幀中的投影來驗證其位置。
對於靜態對象，只需要在單幀中註釋一個對象，並使用來自AR會話數據的ground truth攝像機位姿信息，將它的位置傳播到所有幀。
這就讓該過程變得非常高效。
AR合成數據生成
為了提高預測的準確性，現在比較流行的一種方法，就是通過合成的3D數據，來“填充”真實世界的數據。
但這樣往往就會產生很不真實的數據，甚至還需要大量的計算工作。
谷歌AI就提出了一種新的方法——AR合成數據生成 (AR Synthetic Data Generation)。
這就允許研究人員可以利用相機的姿勢、檢測到的平面、估計的照明，來生成物理上可能的位置以及具有與場景匹配的照明位置 。
這種方法產生了高質量的合成數據，與真實數據一起使用，能夠將準確率提高約10%。
用於3D目標檢測的機器學習pipeline
為了達到這個目的，研究人員建立了一個單階段的模型，從一個RGB圖像預測一個物體的姿態和物理大小。
模型主幹部分有一個基於MobileNetv2的編碼器-解碼器架構。
還採用一種多任務學習方法，通過檢測和迴歸來共同預測物體的形狀。
對於形狀任務，根據可用的ground truth註釋(如分割)來預測對象的形狀信號；對於檢測任務，使用帶註釋的邊界框，並將高斯分佈擬合到框中，以框形質心為中心，並與框的大小成比例的標準差。
檢測的目標是預測這個分佈，它的峰值代表了目標的中心位置。
迴歸任務估計邊界框8個頂點的2D投影。為了獲得邊界框的最終3D座標，還利用了一個成熟的姿態估計算法(EPnP)，可以在不知道物體尺寸的前提下恢復物體的3D邊界框。
有了3D邊界框，就可以很容易地計算出物體的姿態和大小。
這個模型也是非常的輕量級，可以在移動設備上實時運行。
在MediaPipe中進行檢測和跟蹤
在移動端設備使用這個模型的時候，由於每一幀中3D邊界框的模糊性，模型可能會發生“抖動”。
為了緩解這種情況，研究人員採用了最近在“2D界”發佈的檢測+跟蹤框架。
這個框架減少了在每一幀上運行網絡的需要，允許使用更大、更精確的模型，還能保持在pipeline上的實時性。
為了進一步提高移動pipeline的效率，每隔幾幀只讓運行一次模型推斷。
最後，這麼好的項目，當然已經開源了！
戳下方傳送門鏈接，快去試試吧~
傳送門
GitHub項目地址：
https://github.com/google/mediapipe/blob/master/mediapipe/docs/objectron_mobile_gpu.md
谷歌AI博客：
https://ai.googleblog.com/2020/03/real-time-3d-object-detection-on-mobile.html
— END —
閱讀更多 望潮科技 的文章
