论文学习笔记——RAM

Combining Events and Frames Using Recurrent Asynchronous Multimodal Networks for Monocular Depth Prediction

event camera:

• 将每像素的亮度变化作为一系列异步“事件”进行报告
• 高时间分辨率、高动态范围和缺乏运动模糊

本文提出RAM网络实现传统相机和事件相机的单目深度估计。传统相机对静止场景捕捉更加完全（低频完整）、事件相机只编码视觉信号的变化部分（高频稀疏），所以作者设计的Recurrent Asynchronous Multimodal (RAM) network兼顾了两者特性，最终功能得到了连续的、稠密的单目深度图。

RAM:

• 考虑异步性、事件和帧的无规律性
• 将多个传感器的时间信息结合起来

Recurrent Asynchronous Multimodal Networks

我们希望融合来自N个传感器的数据，这些传感器以稳定增加的时间戳$t_j$提供测量。在每个时间戳$t_j$时，传感器$k_j$$\in${1,2,…,N}提供的测量为$x_{kj}(t_j)$，我们因此要将一系列的测量 { x k j ( t j ) } j = 1 T \{x_{kj}(t_j)\}_{j=1}^T {xkj​(tj​)}j=1T​融合起来。

• 每个时刻每个传感器的测量进行编码：
  $s_{k_j}$=$E_{k_j}(x_{k_j},{\theta }_{k_j})$
  因为不同传感器提供的测量有不同的形式，因此首先通过对传感器的编码器$E_{k_j}$，将这一系列的测量映射到一系列中间特征$s_{k_j}$（green）。

其中$\theta$是RAM网络的参数。
本文在编码器的不同scale中提取中间特征。
提取到的中间特征$s_{k_j}$有以下性质：①从不同传感器提取到的特征可能以任何顺序出现在序列中（异步）；②特征之间的时间间隔随时间会发生变化（data rates会变化）。

• 将j时刻得到的测量与j-1时刻的变量进行融合：
  ${\Sigma }_j=h_{k_j}({\Sigma }_{j-1},s_{k_j},\theta )$
  为保证正确融合特征，将传感器$k_j$得到的特征$s_{k_j}$通过传感器特定状态组合器$h_{k_j}$，更新$t_{j-1}$时刻的潜在的变量${\Sigma }_{j-1}$。

使用convGRU来将状态结合起来。
在每个传感器的每个scale都有。
更新方程：
f、g : 单个卷积+sigmoid ; $\varphi$ : 卷积+tanh
从不同传感器中首先映射到合适的空间以便于和${\sum }_j$进行融合，之后状态组合器被顺序地应用，当某个传感器的测量可得的时候进行改变。
因此可以产生一系列 { Σ j } j = 1 T \{\Sigma_j\}_{j=1}^T {Σj​}j=1T​

• 在每个时间点$t_j$时将${\Sigma }_j$通过解码器$\Gamma$解码，得到$y_j$
  $y_j=\Gamma ({\Sigma }_j,\theta )$

Network Architecture for Monocular Depth Estimation

• 在每个scale上，使用skip connection作为中间特征$s_{k_j}$
• 通过ConvGRU层将$s_{k_j}$与${\Sigma }_{j-1}$结合得到${\Sigma }_j$
• lowest scale的${\Sigma }_j$直接通过残差块（grey），之后通过3个decoder
• 注意decoder层的input，因为skip connection
• 每个encoder包括一个下采样的卷积：kernel size=5, stride=2
• 残差块由2个卷积层组成：kernel size=3
• decoder使用双线性插值（bilinear)上采样，之后通过kernel size=5的卷积层
• 所有层后都跟随ReLU激活函数

Event Generation Model

Event相机包括独立的像素u，这个像素对log brightness signal L(u, t)作出反应。如果和上一个event相比，log brightness的变化超过阈值C，在像素点$u=(x_k,y_k{)}^T$一个新的event $e_k=(x_k,y_k,t_k,p_k)$会被触发。其中 p k ∈ { − 1 , + 1 } p_k \in \{−1, +1\} pk​∈{−1,+1}, 具体取值决定于亮度变化的方向。故一个polarity为$p_k$的事件在像素点$u_k$，时间$t_k$被触发$⟺$$\Delta L(u_k,t_k)=p_k(L(u_k,t_k)-L(u_k,t_k-\Delta t_k))\ge C$

Event Representation

events被转换为固定大小的tenser。
在时间$\Delta T=t_{N-1}-t_0$中的输入events ε = { e i } i = 0 N − 1 \varepsilon =\{e_i\}_{i=0}^{N-1} ε={ei​}i=0N−1​ 被转换为voxel grid: dimensions：H × W，以及B个temporal bins（给定固定数量的 bin B，原始事件序列被分成 B 个连续的窗口

实验中设置B＝５

Depth Representation

• 将深度矩阵${\hat{D}}_{m,k}$转换到归一化的log depth map${\hat{D}}_k$
• log depth计算：
  EventScape: $\alpha$=5.7，$D_{max}$=1000 m
  MVSEC: $\alpha$=3.7，$D_{max}$=80 m

Training

• 全监督
• 损失函数：结合scale-invariant loss和multi-scale scale-invariant
  gradient matching loss
  （1）scale-invariant loss：
  
  其中n是有有效ground truth的像素点的个数
  （2）multi-scale scale-invariant gradient matching loss：
  
  s表示scale
  （3）对序列长度为L的总损失：
  
  $\lambda$=0.25。
• 输入数据归一化，并随机裁剪为224*224，并进行随机水平翻转
• voxel grid中的非零条目归一化