点云上的深度学习及其在三维场景理解中的应用————3D Scene Understanding with PointNet and PointNet++（三）

最近在学3D方向的语义分析。

师兄推荐了一个哔哩大学的将门创投 | 斯坦福大学在读博士生祁芮中台：点云上的深度学习及其在三维场景理解中的应用！的宝藏视频，我会多看几遍，并写下每次观看笔记。up主的个人网页：http://stanford.edu/~rqi
具体代码实现可参照：PointNet++代码的实现
下文的截图都源自讲解的PPT，在我的资源：祁芮中台点云讲解.pdf

全篇手码，内容较多会持续更新。
带问号的句子都是乘上引下的重点作用，文章分为三篇，这是第三篇，请耐心食用。

正文继续

前两篇介绍了PointNet++（PointNet）的网络结构以及其背后的原理，本篇为三维场景理解中的应用，主要讲解如何做三维目标检测（3D Object Detection），三维场景流（3D Scene Flow）暂不讨论。

如何做3D物体识别？如何用上PointNet和PointNet++？

我们的目标是得到物体的3D bounding（3D物体框）。
下图为在图片中的表达。

下图为在点云中可视化的例子。

（Previous Work）之前传统的工作是怎么处理三维物体识别的呢？
很多是基于下图这个思路，先在三维空间中做region proposal（区域提案），可能是基于点云投影到图片上，在图片中propose三维的bounding box，也可能是基于三维的CNN来做。propose完以后在把2D和3D的features结合到proposal中做一个分类。
这么做的缺点是三维空间的搜索非常大，计算量很大，3D的proposal因为点云的分辨率有限，很多时候很难发现小的物体。

另一种方法是基于图片，用RGB的图片来估计3D的bounding box，依赖一些物体大小的鲜艳知识，这时候很难精确估计物体深度和位置。另外depth image对领域的定义有局限，比如两个点可能距离很远，但投影后距离非常近。
所以在图片的表达的形势下，用2D的CNN还是有很多局限性，很难精确估计物体的深度和大小。

介绍一下本文做三维物体识别的思路，如何用上PointNet和PointNet++
结合2D和3D的优点，针对RGB-D的input，先在RGB的图片上用一个2D detectors得到一个二维的物体区域。比如图片中的车先得到一个红色的方框，得到二维的区域之后，大部分任务我们知道camera intreseace，那么由二维区域生成到一个三维的视锥区域（2D region (from CNN) to 3D frustum），右边红色的锥状体表示。接下来对物体的搜索就可以在这是视锥内搜索，而且可以转化为在三维点云中搜索的问题。
这么做的优点在于：

1. 利用2D的detector来缩小搜索的范围，从全图缩小到视锥，减少计算量和复杂度。
2. 因为视锥内可以直接在点云上操作，我们可以利用点云的精确性，以及我们点云3D深度学习的工具，比如PointNet，直接分析和处理点云数据得到精确的3D bounding box。

框架起名叫Frustum-based 3D Object Detection（基于视锥的三维物体识别），这个识别有两个挑战，一个是下图中一个人在打电话，我们发现点云中有很多前景的遮挡（Foreground occluder）和后边干扰（Background Clutter）的出现。传统的方法很难应对这种情况。

如何解决上述有遮挡的问题呢？
我们的 方法是使用 PointNet解决这个问题，是一种基于3D点云数据的方法，大概的算法框架如下图。分三步：

1. 先在2D的图片上得到一个2D detection的结果，然后我们根据camera
   intreseace可以把一个2D的box换到一个3D的区域对应一个视锥的范围，这个过程为Frustum Proposal（视锥方案）。

2. 可以直接在视锥的点云里找这个3D的box，但因为有很多前景和后景的干扰，我们希望先把关键的点拿出来，而不受干扰的影响。我们做一个3D的物体分割的网络，也是由PointNet的分割网络实现。

3. 我们把这个物体分割出来以后，再利用另外一个网络去精确的估计物体的三维bounding box，去估计他的姿态大小以及精确的3D位置。
   
   在汽车的语义分割上，网络的优异结果如下图
   
   在一些更小的物体上（行人、自行车）优势更大
   
   为什么有这么优异的结果？
   因为由2D到3D，直接在3D点云上分割。
   
   另外，可以对输入做很容易的归一化，我们基于点云做操作，对点云的归一化可以简化学习的问题。举个栗子：
   这是一个俯视图的视锥，有一辆汽车，汽车在左或右侧视锥的范围变化会非常大，x坐标的变化会非常大。
   
   为了归一化这个问题，我们把坐标系进行旋转，这样所有的z轴都会指向视锥的中心方向。这样点在x轴的分布就会非常简化，学习的问题就会很容易。
   进一步物体在深度上有很大区别，z有很大分布，我们基于3D物体的分割可以找到分割后物体的中心，这样物体的点会集中在原点附近，使得后面的学习问题大幅度继续简化。同时可以用另一个网络去估计这个物体真实的中心，红色的中心仅仅是物体分割的中心，物体的真实中心用另一个网络进一步估计。
   
   最后在这个绿色的坐标系下进行最后bounding box的估计。
   
   结果上，经过一系列的归一化操作，结果很棒，estimation accuracy飞速提升。而且这些操作很简单，只不过是一些矩阵的旋转、乘法（狗头）。
   
   展示！
   即便右下角就半个车，也能估计出来。
   
   室内的检测：
   

总结

本文介绍了针对点云的网络结构pointnet，有对输入顺序的置换不变性，同时是轻量级的结构，能对数据的丢失很鲁棒，而且提供了一个统一的框架，可以为很多不同的任务服务。进而介绍了这个网络结构在很多场景中的应用，具体为3D识别的应用。还有很多场景，比如场景分割、局部特征的估计。

相关的文献：

完结完结！

其他两篇文章链接：
点云上的深度学习及其在三维场景理解中的应用————PointNet（一）
点云上的深度学习及其在三维场景理解中的应用————From PointNet to PointNet++（二）