谷歌AI良心开源：一部手机就能完成3D目标检测，还是实时的那种

在2D图像中做3D目标检测很难？

现在，拿着一部手机就能做到，还是实时的那种。

这就是谷歌AI今天发布的MediaPipe Objectron，一个可以实时3D目标检测的pipeline。

分开来看：

MediaPipe是一个开源的跨平台框架，用于构建pipeline来处理不同模式的感知数据。

Objectron在移动设备上实时计算面向对象的3D边界框。

日常生活中的物体，它都可以检测，来看下效果。

它可以在移动端设备上，实时地确定物体的位置、方向和大小。

这个pipeline检测2D图像中的物体，然后通过机器学习模型，来估计它的姿态和大小。

那么，它具体是怎么做到的呢？

获取真实世界中的3D数据

我们知道，3D数据集相对于2D来说，非常有限。

为了解决这个问题，谷歌AI的研究人员使用移动增强现实(AR)会话数据(session data)，开发了新的数据pipeline。

目前来说，大部分智能手机现在都具备了增强现实的功能，在这个过程中捕捉额外的信息，包括相机姿态、稀疏的3D点云、估计的光照和平面。

为了标记groud truth数据，研究人员构建了一个新的注释工具，并将它和AR会话数据拿来一起使用，能让注释器快速地标记对象的3D边界框。

这个工具使用分屏视图来显示2D视频帧，例如下图所示。

左边是覆盖的3D边界框，右边显示的是3D点云、摄像机位置和检测平面的视图。

注释器在3D视图中绘制3D边界框，并通过查看2D视频帧中的投影来验证其位置。

对于静态对象，只需要在单帧中注释一个对象，并使用来自AR会话数据的ground truth摄像机位姿信息，将它的位置传播到所有帧。

这就让该过程变得非常高效。

AR合成数据生成

为了提高预测的准确性，现在比较流行的一种方法，就是通过合成的3D数据，来“填充”真实世界的数据。

但这样往往就会产生很不真实的数据，甚至还需要大量的计算工作。

谷歌AI就提出了一种新的方法——AR合成数据生成 (AR Synthetic Data Generation)。

这就允许研究人员可以利用相机的姿势、检测到的平面、估计的照明，来生成物理上可能的位置以及具有与场景匹配的照明位置 。

这种方法产生了高质量的合成数据，与真实数据一起使用，能够将准确率提高约10%。

用于3D目标检测的机器学习pipeline

为了达到这个目的，研究人员建立了一个单阶段的模型，从一个RGB图像预测一个物体的姿态和物理大小。

模型主干部分有一个基于MobileNetv2的编码器-解码器架构。

还采用一种多任务学习方法，通过检测和回归来共同预测物体的形状。

对于形状任务，根据可用的ground truth注释(如分割)来预测对象的形状信号；对于检测任务，使用带注释的边界框，并将高斯分布拟合到框中，以框形质心为中心，并与框的大小成比例的标准差。

检测的目标是预测这个分布，它的峰值代表了目标的中心位置。

回归任务估计边界框8个顶点的2D投影。为了获得边界框的最终3D坐标，还利用了一个成熟的姿态估计算法(EPnP)，可以在不知道物体尺寸的前提下恢复物体的3D边界框。

有了3D边界框，就可以很容易地计算出物体的姿态和大小。

这个模型也是非常的轻量级，可以在移动设备上实时运行。

在MediaPipe中进行检测和跟踪

在移动端设备使用这个模型的时候，由于每一帧中3D边界框的模糊性，模型可能会发生“抖动”。

为了缓解这种情况，研究人员采用了最近在“2D界”发布的检测+跟踪框架。

这个框架减少了在每一帧上运行网络的需要，允许使用更大、更精确的模型，还能保持在pipeline上的实时性。

为了进一步提高移动pipeline的效率，每隔几帧只让运行一次模型推断。

最后，这么好的项目，当然已经开源了！

GitHub项目地址：

https://github.com/google/mediapipe/blob/master/mediapipe/docs/objectron_mobile_gpu.md

谷歌AI博客：

https://ai.googleblog.com/2020/03/real-time-3d-object-detection-on-mobile.html