11年前的「阿凡达」让少年的我们第一次戴上3D眼镜,声势浩大的瀑布奔流而下,星罗棋布飘浮在空中的群山,无一不体现着对生命的敬意,妥妥的坐稳了2010年北美、海外、中国和全球票房No.1的宝座,「3D」正式进入了大众的视线。
图片来自网络
11年过去了,出走半生,我们依旧少年,「阿凡达2」依旧没有如约上映,但3D应用却在此期间得到了蓬勃的发展。这一方面得益于3D传感器技术的飞速发展,用户可以更加便捷地获取到三维图像数据;另一方面随着机器人、无人驾驶、AR&VR等业务的日趋成熟,需要快速处理和理解海量的3D数据,以便精确感知周边物体的空间信息,3D数据的深度学习需求应运而生。随着2020年中国新基建政策的发布,相信未来3D视觉技术将会有更广阔的应用空间。
3D深度学习需要什么格式的数据输入?
2D图像可以天然的表示成二维矩阵,但3D数据却非常复杂,它有很多种表达形式,如:点云、体积像素、多边形网格和多视图。在3D深度学习领域中,点云数据应用最为广泛。这是因为点云数据非常接近原始的传感器数据,采用这种形式,可以更好的挖掘原始数据中的信息,使用较少的数据即可表征较多的细节的特性。此外点云的表达形式非常简单,模型训练时,对GPU性能没有太高的要求。
但是点云是不规则的数据,在空间中可以任意分布。传统情况下,可以先将点云数据转化成体积像素表示方式,再复用2D图像的CNN模型,但是代价会非常高。原因是体积像素在空间中的稀疏性使得3D CNN训练对显存要求极高,模型难以收敛。
那么,是否有方法可以直接在点云上数据上实现特征学习呢?
飞桨开源框架1.7版本发布了用于3D点云分类、分割和检测的PointNet++和PointRCNN模型。支持ShapeNet,ModelNet,KITTI等多种点云数据集,在ModelNet40数据集上,PointNet++分类精度可达90%,在 KITTI(Car)的Easy数据子集上,PointRCNN检测精度可达86.66%,持平世界领先水平。开发者在飞桨框架基础上可快速完成任务,实现工业应用。3D模型体验请戳如下链接:
PointNet++原理和实验表现
PointNet++核心是通过多级点集特征学习提取点云数据的特征,然后将提取的特征分别输入到分类和分割网络,进行3D数据的图像分类和语义分割,PointNet++网络结构下图所示。
多级点集特征学习(Hierarchical point set feature learning)
集合抽象层是多级点集特征学习的基本模块,由如下三个关键部分组成:
采样层:使用最远点采样(FPS)的方法,从输入点中选择一组点,定义局部区域的中心。
分组层:根据中心点进行分组,将云点数据划分成若干个局部区域。
特征提取:通过PointNet++ 对各个局部区域进行特征提取,获得局部特征。
通过下面的动态图,可以帮助大家更好的理解多级点集特征学习的实现。
图中将Paddle首字母“P”做一个局部坐标,通过PointNet++提取特征,得到一个新的点。重复这个操作,会得到另一个小区域的点。经过一系列操作之后,会得到一组新的点。这组点在数量上少于输入的点,但每个点都代表了周围区域的几何特征。
分类任务(Classification)
类似于传统的图像分类,模型将全局特征送入全连接网络中,最终得到预测的类别概率。
分割任务(Segmentation)
对于语义分割任务,需要从低分辨率特征中上采样还原高分辨率的特征。对于CNN模型,一般是使用2D图像插值的方式实现。PointNet++模型采用提取最近的3个近邻点,并通过这三个点加权平均的方式插值获得上采样点。
此外,PointNet++还因其对输入数据顺序置换的不变性、轻量级结构、对数据丢失非常鲁棒等特征,非常适合工业领域应用。
实验结论
PointNet++模型测试精度如下:
PointRCNN原理和实验表现
3D目标检测模型PointRCNN借鉴了PointNet++和RCNN的思想,提出了自底向上的生成和调整候选检测区域的算法,网络结构如下图所示:
PointRCNN的网络结构分为两个阶段:第一阶段自底向上生成3D候选预测框;第二阶段在规范坐标中对候选预测框进行搜索和微调,得到更为精确的预测框作为检测结果。
第一阶段:对3D点云数据进行语义分割和前背景划分,生成候选预测框,有如下三个关键步骤:
点云特征提取:通过PointNet++对点云数据进行编码和解码,提取点云特征向量。
前景点分割:根据提取的点云特征向量,使用focal loss区分前景点和背景点。focal loss能有效地平衡前景点和背景点比例失衡问题,从而得到更为准确的分类效果。
生成候选框:采用候选框箱模型(bin)的方法,将前背景点分割信息生成预测候选框。
举例来说,将候选框定义为参数(x,y,z,h,w,l,θ)表征的空间中的箱体,其中(x,y,z)为箱体中心坐标,( h,w,l)为箱体在中心坐标方向上的大小,θ为鸟瞰视角上(y方向从上往下看)箱体在x-z平面的角度。
bin的执行方式为:先根据前景点的分割信息粗分其所属的箱体;再在箱体内部对其做回归,得到箱体参数作为预测框;最后对预测框做NMS(Non-Max Suppress,非极大值抑制),得到最终预测候选框。
第二阶段:在规范坐标中微调候选预测框,获得最终的检测结果,有如下五个关键部分:
区域池化:对候选框内每个点的特征进行池化。
坐标转化:为了更好地获取局部信息,需要将多个候选区域中的前景点坐标(同一个坐标系)转化为局域坐标系中的规范坐标(以预测框为中心点的多个坐标系),如下图所示:
特征编码:将规范坐标时丢失的深度信息、规范后的坐标信息、前后背景语义信息等经过多层感知机提取特征,作为每个点的编码特征。
微调预测框:经过上一步编码后的特征,经PointNet++网络进行特征提取,最后回归得到局部坐标系下的3D预测框。
实验结论
目前发布的KITTI数据集下Car检测精度如下:
以上就是飞桨1.7发布的PointNet++和PointRCNN模型,基于飞桨框架,开发者可快速实现3D图像的分类、语义分割和目标检测任务,模型精度持平世界一流水平。欢迎感兴趣的伙伴在PaddleCV的模型库中,在文末的Github地址中获取相关数据集和代码,尝试实现自己的3D应用。(3D模型存在自定义OP,需要在GPU+Linux平台实现)