车辆检测“Deep MANTA: A Coarse-to-fine Many-Task Network for joint 2D and 3D vehicle analysis from monoc”

Deep Many Task，同时进行车辆检测，部件定位，可视化特征描述及3D维度估计。基于coarse-to-fine的目标proposal结构提升检测性能。Deep MANTA可以定位不可见的车辆部位。

应用
3D车辆定位和方向估计可用于估计车辆速度和方向。

论文第一个贡献是使用车辆特征点编码3D车辆信息，车辆是刚性的，可通过回归的方法预测隐藏的部分。结合3D数据集，将3D点投影到2D图像中的车辆上，选取最佳的3D模型。
第二个贡献是Deep Many-Task CNN，网络输出2Dbbox，part visibility及3D车辆模板。
第三个贡献是使用3D模型（几何信息，可视性）生成真实图像的标记。

Deep MANTA
首先，输入图像经过Deep MANTA输出2Dbbox，车辆几何特征（车辆部件坐标、3D模板相似度）及part可视性属性。然后，inference阶段使用Deep MANTA的输出和3D车辆数据集复原3D方向和位置。

1. 3D形状及模板数据集
   3D数据集包含几种类型车辆的3D模型（Sedan，SUV），对每个3D模型m，标记N个顶点（3D块）。这些块对应相应的车辆区域。使用坐标点集$S_m^{3d}=(p_1,p_2,...,p_N)$表示3D形状，其中 pk=xk,yk,z