|
在过去几年中 ，3D 传感器（例如，激光雷达、深度感应摄像头和雷达）的日益普及催生了对能够处理这些设备捕获的数据的场景理解技术的需求。这种技术可以使使用这些传感器的机器学习 (ML) 系统（如自动驾驶汽车和机器人）在现实世界中导航和操作，并可以在移动设备上创建改进的增强现实体验。计算机视觉领域最近开始在 3D 场景理解方面取得良好进展，包括用于移动 3D 物体检测、透明物体检测的模型等，但由于可应用于 3D 数据的可用工具和资源有限，因此进入该领域可能具有挑战性。 为了进一步提高对 3D 场景的理解并降低感兴趣的研究人员的入门门槛，我们发布了TensorFlow 3D (TF 3D)，这是一个高度模块化且高效的库，旨在将 3D 深度学习功能引入 TensorFlow。TF 3D 提供了一组流行的操作、损失函数、数据处理工具、模型和指标，使更广泛的研究社区能够开发、训练和部署最先进的 3D 场景理解模型。 TF 3D 包含用于最先进的 3D语义分割、3D对象检测和 3D实例分割的训练和评估管道，并支持分布式训练。它还支持其他潜在应用，如 3D 对象形状预测、点云配准和点云致密化。此外，它还为标准 3D 场景理解数据集的训练和评估提供了统一的数据集规范和配置。它目前支持Waymo Open、ScanNet和Rio数据集。但是，用户可以自由转换其他流行的数据集，例如NuScenes和吉滴，到了类似的格式，并在现有的预或自定义创建管道使用它们，并可以利用TF 3D的各种3D的深度学习研究和应用，从快速原型和尝试新的想法，部署实时间推理系统。 左侧显示了来自Waymo Open Dataset的帧上 TF 3D 中的 3D 对象检测模型的示例输出 。 右侧显示了来自ScanNet 数据集的场景上的 3D 实例分割模型的示例输出 。 在这里，我们将展示 TF 3D 中提供的高效且可配置的稀疏卷积主干，这是在各种 3D 场景理解任务上获得最先进结果的关键。此外，我们将介绍 TF 3D 当前支持的三个管道中的每一个：3D 语义分割、3D 对象检测和 3D 实例分割。 3D 稀疏卷积网络传感器捕获的 3D 数据通常包含一个场景，该场景包含一组感兴趣的对象（例如汽车、行人等），这些对象主要被开放空间包围，这是有限的（或没有）兴趣。因此，3D 数据本质上是稀疏的。在这样的环境中，卷积的标准实现将是计算密集型的并消耗大量内存。因此，在 TF 3D 中，我们使用子流形稀疏卷积和池化操作，旨在更有效地处理 3D 稀疏数据。稀疏卷积模型是应用于大多数户外自动驾驶（例如 Waymo、NuScenes）和室内基准测试（例如 ScanNet）的最先进方法的核心。 我们还使用各种CUDA技术来加速计算（例如，散列、在共享内存中分区/缓存过滤器，以及使用位操作）。在 Waymo Open 数据集上的实验表明，这种实现比具有预先存在的 TensorFlow 操作的精心设计的实现快 20 倍左右。 TF 3D 然后使用 3D 子流形稀疏U-Net 架构为每个体素提取一个特征。U-Net 架构已被证明是有效的，它让网络同时提取粗略特征和精细特征，并将它们组合起来进行预测。U-Net 网络由三个模块组成，一个编码器、一个瓶颈和一个解码器，每个模块由多个稀疏卷积块组成，可能具有池化或反池化操作。 3D 稀疏体素 U-Net 架构。请注意，水平箭头接收体素特征并对其应用子流形稀疏卷积。向下移动的箭头执行子流形稀疏池。向上移动的箭头将收集汇集的特征，将它们与来自水平箭头的特征连接起来，并对连接的特征执行子流形稀疏卷积。 上述稀疏卷积网络是 TF 3D 中提供的 3D 场景理解管道的主干。下面描述的每个模型都使用这个主干网络来提取稀疏体素的特征，然后添加一个或多个额外的预测头来推断感兴趣的任务。用户可以通过改变编码器/解码器层数和每层的卷积数，以及通过修改卷积滤波器的大小来配置 U-Net 网络，从而可以通过不同的主干配置 3D语义分割的3D语义分割模型仅具有一个输出头用于预测每个体素的语义分数，其被映射回点来预测每点一个语义标签。 来自ScanNet 数据集的室内场景的 3D 语义分割 。 3D Instance Segmentation在3D Instance Segmentation 中，除了预测语义之外，目标是将属于同一对象的体素分组在一起。TF 3D 中使用的 3D 实例分割算法基于我们之前使用深度度量学习进行2D 图像分割的工作。该模型预测每个体素的实例嵌入向量以及每个体素的语义分数。实例嵌入向量将体素映射到一个嵌入空间，其中对应于同一对象实例的体素靠近在一起，而对应于不同对象的体素相距很远。在这种情况下，输入是点云而不是图像，它使用 3D 稀疏网络而不是 2D 图像网络。在推理时，贪心算法 一次选择一个实例种子，并使用体素嵌入之间的距离将它们分组。 3D 对象检测3D 对象检测模型预测每个体素的大小、中心和旋转矩阵以及对象语义分数。在推理时，使用框提议机制将数十万个每体素框预测减少为几个准确的框提议，然后在训练时，将框预测和分类损失应用于每体素预测。我们应用Huber 损失关于预测框角和真实框角之间的距离。由于根据大小、中心和旋转矩阵估计框角的函数是可微的，因此损失将自动传播回那些预测的对象属性。我们使用动态框分类损失将与真实情况强烈重叠的框分类为正，将非重叠框分类为负。 我们在 ScanNet 数据集上的 3D 对象检测结果。 在我们最近的论文“ DOPS：学习检测 3D 对象并预测其 3D 形状”中，我们详细描述了用于 TF 3D 中对象检测的单阶段弱监督学习算法。此外，在后续工作中，我们通过提出基于稀疏 LSTM 的多帧模型来扩展 3D 对象检测模型以利用时间信息。我们继续证明，在Waymo Open 数据集中，这个时间模型比逐帧方法的性能高 7.5% 。 DOPS论文中介绍的3D物体检测和形状预测模型 。3D 稀疏 U-Net 用于为每个体素提取特征向量。对象检测模块使用这些特征来提出 3D 框和语义分数。同时，网络的另一个分支预测用于输出每个对象的网格的形状嵌入。 准备好开始了吗？ 我们当然发现此代码库对我们的 3D 计算机视觉项目很有用，我们希望您也能如此。欢迎对代码库做出贡献，请继续关注我们对框架的进一步更新。要开始使用，请访问我们的 github 存储库。 |
|
|
