【单目3D目标检测】MonoCon论文精读与代码解析

Preface

[AAAI2022] Liu X, Xue N, Wu T. Learning auxiliary monocular contexts helps monocular 3D object detection[C]. In Proceedings of the AAAI Conference on Artificial Intelligence. 2022: 1810-1818.
Paper
Code
MonoCon (AAAI 2022)：使用「辅助学习」的单目3D目标检测框架

Abstract

本文提出了一种无需借助任何额外信息，而是学习单目Contexts来辅助训练过程的方法，称为MonoCon。其关键思想是，目标带有注释的 3D 边界框，可以产生大量可用的良好投影的 2D 监督信号（例如投影的角点关键点及其相关的偏移向量相对于 2D 边界框的中心），这应该在训练中用作辅助任务。MonoCon由三个组件组成：基于深度神经网络 (DNN) 的特征主干、许多回归头分支，用于学习 3D 边界框预测中使用的基本参数，以及用于学习辅助上下文的许多回归头分支。训练后，丢弃辅助上下文回归分支以获得更好的推理效率

从整体上来看，MonoCon是在MonoDLE的基础上，加入了投影的2D辅助学习模块以及对所有的Head加入了AN（Attentive Normalization）模块，从实验结果来看，这些trick的效果是非常work的，如下图所示

Contributions

• 在训练时加入辅助学习模块，在推理时去掉
  • MonoDLE中有一句话“In this way, the 2D detection serves as an auxiliary task that helps to learn better 3D aware features.”不知道是不是MonoCon的灵感出发点？？
• 把Regression Heads中所有的BN替换为AN，同时将Regression Heads中的第一个Cond模块的out-channel由MonoDLE的256变为64（$d=64$）
  $$F\stackrel{Conv+AN+ReLU}{\underset{d\times 3\times 3\times D}{⟹}}{\mathbb{F}}_{d\times h\times w}\underset{c\times 1\times 1\times d}{\stackrel{Conv}{⟹}}{\mathcal{H}}_{c\times h\times w}^b$$
• 对应的代码如下所示：

AttnBatchNorm2d(64, eps=0.001, momentum=0.03, affine=False, track_running_stats=True
    (attn_weights): AttnWeights(
      (attention): Sequential(
        (0): Conv2d(64, 10, kernel_size=(1, 1), stride=(1, 1), bias=False)
        (1): BatchNorm2d(10, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
        (2): HSigmoidv2()
      )
    )
  )

Pipeline

Backbone：DLA34（CenterNet）
Neck：DLAUP
Head：两部分

• 常规的Regression Head
• 本文创新点：辅助学习Regression Head（四部分）
  Loss：五部分，配置文件中的对应代码如下：

loss_center_heatmap=dict(type='CenterNetGaussianFocalLoss', loss_weight=1.0),
loss_wh=dict(type='L1Loss', loss_weight=0.1),
loss_offset=dict(type='L1Loss', loss_weight=1.0),
loss_center2kpt_offset=dict(type='L1Loss', loss_weight=1.0),
loss_kpt_heatmap=dict(type='CenterNetGaussianFocalLoss', loss_weight=1.0),
loss_kpt_heatmap_offset=dict(type='L1Loss', loss_weight=1.0),
loss_dim=dict(type='DimAwareL1Loss', loss_weight=1.0),
loss_depth=dict(type='LaplacianAleatoricUncertaintyLoss', loss_weight=1.0),
loss_alpha_cls=dict(
	type='CrossEntropyLoss',
	use_sigmoid=True,
	loss_weight=1.0),
loss_alpha_reg=dict(type='L1Loss', loss_weight=1.0),

• Heatmap：Gaussian kernel weighted focal loss
• Depth estimation：Laplacian aleatoric uncertainty loss function（MonoPair&MonoDLE&MonoFlex&GUPNet），公式如下所示：

• 对应代码如下所示mmdetection3d-0.14.0\mmdet3d\models\losses\uncertainty_loss.py：

class LaplacianAleatoricUncertaintyLoss(nn.Module):  
    """  
    Args:        reduction (str): Method to reduce losses.            The valid reduction method are none, sum or mean.        loss_weight (float, optional): Weight of loss. Defaults to 1.0.    """    def __init__(self, loss_weight=1.0):  
        super(LaplacianAleatoricUncertaintyLoss, self).__init__()  
        self.loss_weight = loss_weight  
  
    def forward(self,  
                input,  
                target,  
                log_variance):  
  
        log_variance = log_variance.flatten()  
        input = input.flatten()  
        target = target.flatten()  
  
        loss = 1.4142 * torch.exp(-log_variance) * torch.abs(input - target) + log_variance  
  
        return loss.mean() * self.loss_weight

• 3D Size：Dimension-Aware L1 Loss（MonoDLE）
• Observation angles[bin index]： Standard Cross-Entropy Loss
• Offsets&Observation angles[residual]&2D Size&Quantization Residual：Standard L1 Loss
• 总损失是所有损失项的和，每个损失项都有一个权衡权重参数loss_weight。为了简单起见，除了2D尺寸L1损失使用0.1外，我们对所有损失项都使用1.0

Regression Heads

• heatmap：借鉴自CenterNet，预测C类目标（KITTI中为3类：Car，Pedestrian，Cyclist）的2D框中心点坐标$(x_b,y_b)$，[c, h, w]
• offset：2D框中心坐标$(x_b,y_b)$到3D框中心坐标$(x_c,y_c)$的偏移$\left(\Delta x_b^c,\Delta y_b^c\right)$
• depth：预测深度值以及其不确定性，其中深度值采用逆Sigmoid进行处理：
  $${\mathcal{Z}}_{1\times h\times w}=\frac{1}{\mathrm{Sigmoid}\left(g\left(F;{\Theta }^Z\right)[0]\right)+ϵ}-1$$
• dimensions：3D框的尺寸
• observation angle：观测角，采用multi-bin策略，分成24个区间，前12个用于分类（粗略预测），后12个用于回归（精细预测）将直接回归问题转化为先分类，再回归的问题

The Auxiliary Context Regression Heads

辅助学习学了四件事：

• The heatmaps of the projected keypoints：8个投影角点和3D框的投影中心
• The offset vectors for the 8 projected corner points：8个投影角点到2D框中心的offsets
• The 2D bounding box size：2D框的尺寸
• The quantization residual of a keypoint location：由于backbone降采样的存在，原始图像目标中心点的位置和backbone输出feature map中的位置之间，存在量化误差。假设目标在原始图像中的位置为$(x_b^{\ast },y_b^{\ast })$，在feature map中的位置为$\left(x_b=\lfloor \frac{x_b^{\ast }}{s}\rfloor ,y_b=\lfloor \frac{y_b^{\ast }}{s}\rfloor \right)$，那么就可以定义量化残差为：$\delta x_b=x_b^{\ast }-x_b,\delta y_b=y_b^{\ast }-y_b$，MonoCon分别对2D中心$(x_b,y_b)$和9个投影点$(x_k,y_k)$进行量化误差建模

Quantization Residual

这部分单独拿出来着重讨论以下两个问题：
1、论文中给出的量化残差计算公式与源码中的对应实现不一致

• 论文中的计算公式如上所示，对于9个关键点的量化残差，target取值是$x_b^{\ast }$与$\lfloor \frac{x_b^{\ast }}{s}\rfloor$的差值
• 而在代码中，target取值是$\frac{x_b^{\ast }}{s}$与$\lfloor \frac{x_b^{\ast }}{s}\rfloor$的差值，也就是在feature map中关键点自身的offsets
• 具体代码在这里
• 关于这一点，我向作者发邮件问了一下，作者也承认论文中的描述和代码中的实现是有区别的，并且说应该是按照代码中的逻辑来实现，即量化残差是减采样后的残差。作者原话如下：

The residual are downsampled quantization residual

2、对9个投影点$(x_k,y_k)$进行量化误差建模时，MonoCon采用了keypoint-agnostic方式，即关键点无关建模

• 在前向推理阶段，网络对于9个关键点的量化残差的预测输出shape为[bs, 2, f_h ,f_w]，也就是只预测了一对offsets，不是9对全部预测
• 在计算Loss阶段，targets中包含全部9个关键点的offsets（shape为[bs, max_objs, 18]），为了顺利计算Loss，这里对预测的量化残差进行了以下处理：

# kpt heatmap offset
# [8, 2, 96, 312] --> [8, 270, 2]
kpt_heatmap_offset_pred = transpose_and_gather_feat(kpt_heatmap_offset_pred, indices_kpt)  
# [8, 270, 2] --> [8, 30, 18]
kpt_heatmap_offset_pred = kpt_heatmap_offset_pred.reshape(batch_size, self.max_objs, self.num_kpt * 2)

• 将预测的量化残差处理成和targets中一样的shape，这样就可以直接计算Loss
• 对应于网络框架中的Projected keypoints Quantization Residual(2×h×w)部分

Bug

Install

• 官方给的安装步骤中timm版本未指定：

# 指定timm版本，不然会更新torch==1.10.0
pip install timm==0.4.5

• 不知道什么原因出现报错：numba.cuda.cudadrv.error.NvvmError: Failed to compile
  • 解决办法：issue

Note: To solve this issue, install numba==0.53.0 using conda, dont use pip  
Example: conda install numba==0.53.0