3D目标检测：MonoDIS

在今年 CVPR 2019 WAD Workshop nuScenes Detection Challenge 中，Mapillary 使用本文介绍的 MonoDIS 达到了目前 SOTA 的 image-only 3D Detection Performance（NDS 38.4%）；虽然不及官方基于 lidar 的 pointpillars baseline，但也已经是基于单目非常高的精度了，而且方法很简单。（本次 challenge 最高的 NDS 是我们的 63.3%）

本文的核心是提出了解耦的 regression loss，用来替代之前同时回归 center、size、rotation 带来的由于各个 opponent 的 loss 大小不同导致的训练问题；基本思想是将回归的部分分成 k 个 group，每个 group 只有自身的参数需要学习，其他的部分使用 gt 代替，从而实现每个分支只回归某一个 component，使得训练更加稳定。同时提出了改进的 sIoU loss，将没有 overlap 的 bboxes 的 loss 也考虑进来。同时，本文使用 memory efficient in-place synced bn 替换了原来的 BatchNorm，从而更 efficient 的训练；

arXiv：https://arxiv.org/abs/1905.12365v1

homepage：

https://research.mapillary.com/publication/MonoDIS/

 

### 1. 2D Detector

#### 1.1 Backbone - RetinaNet

你可以注意到这个 FPN 的方向是反着的；另外，本文提到的 iABN 可以参考 https://github.com/mapillary/inplace_abn

#### 1.2 2D Detection Head

#### 1.3 Loss

* Focal Loss for cls

* IoU Loss for reg

 

sIoU 值域是 [-1, 1]

### 2. 3D Detector

#### 2.1 3D Detection Head

其中，iABN 参考的是 https://github.com/mapillary/inplace_abn

 

### 3. Disentangling 2D and 3D Losses

disentangling transformation because it isolates the contribution of groups of parameters to a given loss, while preserving its inherent nature.

翻译成人话就是

把要回归的 loss 分成 k 组，每一组计算 loss 时，使用 Output_j， 以及 GroundTruth_-j，计算出对应的 smooth l1 loss。

这样的好处是，可以解耦具有不同语义的各个部分的相互影响；使得收敛的过程更加平滑，训练更加稳定；如下图所示：

 

### 4. KITTI benchmark 的问题

本文指出 KITTI 目前采用的从 0～1 之间的 41 个 bin 中取 10 个会出现歧义(9.09)，因此转而使用 1/40 ～ 1 之间的 40 个 bin 来计算 AP。

### 5. Results

本文给出了 KITTI 和 nuScenes 上的结果