@马斯克：只凭一个摄像头3D目标检测成绩也能媲美激光雷达

　　靠一个摄像头拍下的图像做3D目标检测，究竟有多难？目前最先进系统的成绩也不及用激光雷达做出来的1/10。

　　为了识别物体远近，无人车需要安装激光雷达，通过回波获得物体的距离信息。这一点是只能获得2D信息的摄像头难以做到的。

　　作者把这种算法和端到端的深度学习架构结合起来，在KITTI 3D目标检测任务上实现了领先的成绩。

　　自上而下的网络，由一系列ResNet单元组成，以一种对图像中观察到的观察效果不变的方式处理鸟瞰图特征图。

　　一组输出头，为每个物体类和地平面上的每个生成置信分数、偏移、维度偏移和方向向量等数据。

　　这种方法通过将基于图像的特征映射到一个正交3D空间中，打破了图像的。在这个3D空间里，各个物体比例一致、距离也是有意义的。

　　作者用自动驾驶数据集KITTI中3712张训练图像，3769张图像对训练后的神经网络进行检测。并使用裁剪、缩放和水平翻转等操作，来增加图像数据集的样本数量。

　　作者提出了根据KITTI 3D物体检测基准评估两个任务的方法：最终要求每个预测的3D边界框应与相应实际物体边框相交，在汽车情况下至少为70％，对于行人和骑自行车者应为50％。

　　与前人的Mono3D方法对比，OFT在鸟瞰图平均精确度、3D物体边界识别上各项测试成绩上均优于梦见河水上涨对手。

　　尤其在探测远处物体时要远超Mono3D，远处可识别出的汽车数量更多。甚至在严重遮挡、截断的情况下仍能正确识别出物体。在某些场景下甚至达到了3DOP系统的水平。

　　不仅在远距离上，正投影特征转换（OFT-Net）在对不同距离物体进行评估时都都优于Mono3D。

　　但是与Mono3D相比，这套系统性能也明显降低得更慢，作者认为是由于系统考虑远离相机的物体造成的。

　　在正交鸟瞰图空间中的推理显著提高了性能。为了验证这一说法，论文中还进行了一项研究：逐步从自上而下的网络中删除图层。

　　这种性能下降的一部分原因可能是，减少自上而下网络的规模会降低网络的整体深度，从而降低其代表性能力。

　　从图中可以看出，采用具有大型自上而下网络的浅前端（ResNet-18），可以实现比没有任何自上而下层的更深层网络（ResNet-34）更好的性能，尽管有两种架构具有大致相同数量的参数。

　　本文由来源于325棋牌 325游戏中心唯一官方网站