昨日，CVPR 2017獲獎論文公佈，引起了業內極大的關注。但除了這些獲獎論文，還有眾多精彩的論文值得一讀。因此在大會期間，國內自動駕駛創業公司 Momenta 聯合機器之心推出CVPR 2017精彩論文解讀專欄，本文是此係列專欄的第一篇，作者為 Momenta 高階研發工程師賈思博。
論文：Deep MANTA: A Coarse-to-fine Many-Task Network for joint 2D and 3D vehicle analysis from monocular image
這篇文章主要處理單目影像中的車輛檢測問題。車輛檢測是一個經典的基於影像的目標檢測問題，也是智慧駕駛感知過程的核心問題之一。現有的多種目標檢測框架如 Faster RCNN、YOLO 等已經可以較好地處理一般的目標檢測問題，但是在應用於車輛檢測時還有兩個主要的痛點：（1）現有目標檢測演算法在平均準確率（AP）衡量下可以做到較高精度，但是目標包圍框的定位（Localization）精度不夠，後者對於車輛檢測進一步分析有重要作用；（2）目標檢測侷限在影像空間中，缺乏有效演算法預測車輛在真實 3D 空間中的位置和姿態。
針對以上問題，作者在這篇文章中提出了一種基於單目影像檢測車輛並預測 3D 資訊的框架。在文章中，對於一個 3D 車輛目標的描述，包括：車輛包圍立方體的位置座標，各個部件（如車輪、車燈等）的 3D 座標、可見性、地平面方向上的旋轉角，以及車輛自身 3D 尺寸。下圖是車輛建模的示意圖。論文通過預測車輛自身 3D 尺寸，從標註的 3D 模型庫中找到最相近的 3D 模型，進一步根據預測出的部件的 2D 座標與 3D 模型座標進行 PnP 匹配得到車輛的 3D 位置與姿態。
論文使用的網路結構基於 Faster RCNN 框架。新的訓練方式最突出的特點有以下幾點：（1）網路不僅預測車輛包圍框，同時還預測車輛部件座標、部件可見性、車輛自身尺寸等豐富的資訊；（2）網路使用了級聯的結構（cascade）預測以上資訊，在共享底層特徵（feature map）的同時提供足夠的擬合能力預測多種資訊，並反覆迴歸包圍框，提高定位精度；（3）在網路推測（inference）時使用上述預測的資訊進行 2D/3D 匹配以得到車輛的 3D 姿態與位置資訊。訓練/推測過程的流程圖如下圖。此外，論文還提出了適合這一訓練框架的標註方法，只需要標註 3D 空間下車輛的 3D 包圍框，程式可以自動從 3D 模型庫中找到尺寸最相近的模型，並根據姿態資訊自動生成部件座標、部件可見性。這一標註方案對於 KITTI 這類帶有 3D 資訊的資料集來說是很方便的。
文章使用了 103 個標準車輛 3D 模型，每個模型包含 36 個部件座標資訊。網路基礎結構使用了 GoogleNet 以及 VGG16，具體訓練引數詳見文章第 5 節。模型在 KITTI 的車輛檢測、角度迴歸、3D 定位任務中均達到了領先水平，驗證了這一方法的有效性。
Q&A
1.在多工網路中是如何平衡各個任務的 loss，以及如何利用部件可見性這一任務的？
A：除了部件座標外均使用經驗值 loss weight = 1，對於部件座標嘗試 loss weight = 3 時效果更佳。部件可見性主要用於輔助網路學習部件座標資訊，在 inference 中並沒有用到這一資訊。另外，在迴歸部件座標時，對於不可見的部件關鍵點沒有給 loss，對於可見的部件關鍵點給了 N_total／N_visible的 loss，即總的關鍵點個數比上可見的關鍵點個數，論文原文中沒有提到這一點。
2. 在分類不同車型時，為什麼迴歸 Template similarity 即車輛尺寸與每一個模型的尺寸比例，而不是直接回歸車輛尺寸？如果有不同車型具有同樣尺寸怎麼辦？
A：使用 Template similarity 是一個簡便的提供歸一化的方法，如果直接回歸尺寸，對於不同的車型 scale 相差較大，效果不好。Caltech 模型庫中確實有可能出現同樣尺寸的情形，但從訓練結果看並沒有造成明顯的問題。
3. 關於作者提出的「弱標註方法」，是如何標註車輛的 3D 框的？
A：KITTI 資料集中有車輛的 3D groundtruth，所以可以直接生成 3D 框資料，不需要額外標註。對於真實環境下的資料，作者正在嘗試解決，現在還沒有一個比較有效的方案。