对象检测与摄影测量：End To End 9DPose Object Detection【方法解析】

中文标题：端到端9DPose对象检测

摘要

现有的单目视觉3D物体识别方法通常仅使用偏航角（Yaw）来描述物体的姿态，这不足以表达物体可能表现出的各种姿态，如物体的侧向旋转。而且，目前大多数物体识别模型都转换为关键点检测或NOCS地图检测，然后基于PnP预测目标的6D姿态。这种非端到端的姿态预测方法不仅增加了不稳定性，还导致推理效率非常低下。

本文提出了一种端到端的9DPose物体识别模型（3D位置 + 3D姿态 + 3D目标大小），以解决这两个问题。该模型利用单个2D图像同时识别场景中多个物体的3D位置、姿态和大小，有效地捕捉具有三自由度旋转的物体。我们发现了一种非常有效的四元数损失定义方法，能够非常准确地表征姿态误差，为端到端9DPose的实现奠定了基础。我们的方法结合了四元数损失和Rd虚拟坐标系转换技术，能够准确回归物体的3D姿态，显著提高了物体检测的准确性。我们的模型在KITTI数据集的汽车类别上取得了AP3D@0.7的成绩，分别为59.82%@Easy、40.80%@Mod和34.44%@Hard，分别超越了经典模型37.32%、24.34%和20.49%。该算法模型在896*896图像上的运行速度为138.88 fps，远远超过现有的经典方法。此外，它对载体的姿态没有严格要求，表现出卓越的适应性。</