计算机视觉领域开始在3D场景理解方面取得良好进展

过去几年里，3D 传感器（如激光雷达、深度传感摄像头和雷达）越发普及，对于能够处理这些设备所捕获数据的场景理解技术，相应需求也在不断增加。此类技术可以让使用这些传感器的机器学习 （ML） 系统，如无人驾驶汽车和机器人，在现实世界中导航和运作，并在移动设备上创建改进的增强现实体验。

最近，计算机视觉领域开始在 3D 场景理解方面取得良好进展，包括用于移动 3D 目标检测、透明目标检测等的模型，但由于可应用于 3D 数据的可用工具和资源有限，进入该领域本身可能具有挑战性。

为了进一步提高 3D 场景理解能力，降低感兴趣的研究人员的入门门槛，我们发布了 TensorFlow 3D （TF 3D），这一高度模块化的高效库旨在将 3D 深度学习功能引入 TensorFlow。TF 3D 提供了一组流行的运算、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 3D 语义分割、3D 目标检测和 3D 实例分割的训练和评估流水线，并支持分布式训练。它也可实现其他潜在应用，如 3D 目标形状预测、点云配准和点云密化。此外，它还提供了统一的数据集规范和配置，用于训练和评估标准 3D 场景理解数据集。目前支持 Waymo Open、ScanNet 和 Rio 数据集。不过，用户可以将 NuScenes 和 Kitti 等其他流行数据集自由转换为相似格式，并将其用于预先存在或自定义创建的流水线，也可以通过利用 TF 3D 进行各种 3D 深度学习研究和应用，包括快速原型设计以及试验新想法的方式来部署实时推断系统。

左侧

我们将介绍 TF 3D 提供的高效可配置的稀疏卷积主干，它是在各种 3D 场景理解任务上取得最先进结果的关键。此外，我们将分别介绍 TF 3D 目前支持的三种流水线：3D 语义分割、3D 目标检测和 3D 实例分割。

3D 稀疏卷积网络

传感器捕获的 3D 数据通常具有一个场景，其中包含一组感兴趣的目标（如汽车、行人等），其周围大多是有限（或无）兴趣的开放空间。因此，3D 数据本质上是稀疏的。在这样的环境下，卷积的标准实现将需要大量计算并消耗大量内存。因此，在 TF 3D 中，我们使用子流形稀疏卷积和池化运算，旨在更有效地处理 3D 稀疏数据。稀疏卷积模型是大多数户外自动驾驶（如 Waymo、NuScenes）和室内基准（如 ScanNet）中应用的最先进方法的核心。

我们还使用多种 CUDA 技术来加快计算速度（例如，哈希处理、在共享内存中分区/缓存过滤器，以及使用位运算）。Waymo Open 数据集上的实验表明，该实现比使用预先存在的 TensorFlow 运算的精心设计实现快约 20 倍。

TF 3D 然后使用 3D 子流形稀疏 U-Net 架构为每个体素 （Voxel） 提取特征。通过让网络同时提取粗略特征和精细特征并将其组合以进行预测，事实证明 U-Net 架构是有效的。U-Net 网络包括编码器、瓶颈和解码器三个模块，每个模块都由许多稀疏卷积块组成，并可能进行池化或解池化运算。

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。下移箭头执行子流形稀疏池化。上移箭头将回收池化的特征，与来自水平箭头的特征合并，并对合并后的特征进行子流形稀疏卷积

上述稀疏卷积网络是 TF 3D 中提供的 3D 场景理解流水线的主干。下面描述的每个模型都使用此主干网络提取稀疏体素的特征，然后添加一个或多个附加预测头来推断感兴趣的任务。用户可以更改编码器/解码器层数和每层中卷积的数量以及修改卷积过滤器的大小来配置 U-Net 网络，从而通过不同的主干配置探索大范围的速度/准确率权衡。

3D 语义分割

3D 语义分割模型只有一个输出头，用于预测每个体素的语义分数，语义分数映射回点以预测每个点的语义标签。

3D 实例分割

在 3D 实例分割中，除了预测语义外，目标是将属于同一目标的体素归于一组。TF 3D 中使用的 3D 实例分割算法基于我们先前的使用深度指标学习的 2D 图像分割研究工作。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向量空间，其中对应同一目标实例的体素靠得很近，而对应不同目标的体素则相距很远。在这种情况下，输入是点云而不是图像，并使用 3D 稀疏网络而不是 2D 图像网络。在推断时，贪婪的算法每次挑选一个实例种子，并使用体素嵌入向量之间的距离将其分组为段。

3D 目标检测

3D 目标检测模型预测每个体素的大小、中心、旋转矩阵以及目标语义分数。在推断时，采用盒建议机制 （Box proposal mechanism） 将成千上万的各体素的盒预测减少为几个准确的盒建议，然后在训练时，将盒预测和分类损失应用于各体素的预测。我们对预测和基本事实盒顶角之间的距离应用 Huber 损失。由于从其大小、中心和旋转矩阵估计盒顶角的函数是可微的，因此损失将自动传播回这些预测的目标属性。我们采用动态盒分类损失，将与基本事实强烈重合的盒分类为正，将不重合的盒分类为负。

在我们最近的论文《DOPS： Learning to Detect 3D Objects and Predict their 3D Shapes》中，我们详细描述了 TF 3D 中用于目标检测的单阶段弱监督学习算法。此外，在后续工作中，我们提出基于 LSTM 的稀疏多帧模型，扩展了 3D 目标检测模型以利用时间信息。我们进一步证明，在 Waymo Open 数据集中，这种时间模型比逐帧方法的性能高出 7.5%。

DOPS 论文中介绍的 3D 目标检测和形状预测模型。3D 稀疏 U-Net 用于提取每个体素的特征向量。目标检测模块使用这些特征建议 3D 盒和语义分数。同时，网络的另一个分支预测形状嵌入向量，用于输出每个目标的网格

致谢

TensorFlow 3D 代码库和模型的发布是 Google 研究人员在产品组的反馈和测试下广泛合作的结果。我们要特别强调 Alireza Fathi 和 Rui Huang（在 Google 期间完成的工作）的核心贡献，另外还要特别感谢 Guangda Lai、Abhijit Kundu、Pei Sun、Thomas Funkhouser、David Ross、Caroline Pantofaru、Johanna Wald、Angela Dai 和 Matthias Niessner。

原文标题：TensorFlow 3D 助力理解 3D 场景！

文章出处：【微信公众号：TensorFlow】欢迎添加关注！文章转载请注明出处。

责任编辑：haq