以前提到过此文（在想法中），WACV‘2021录取：“CenterFusion: Center-based Radar and Camera Fusion for 3D Object Detection“，作者来自田纳西大学。
https://arxiv.org/abs/2011.04841
摘要：这是一个middle fusion方法，CenterFusion，它先通过一个center point检测法得到图像的目标，然后和雷达检测结果做数据相关，采用的是一个frustum-based方法。最后关联的目标检测产生基于雷达的特征图补充图像特征，这样回归目标的深度、旋转角和深度。
作者提供了代码：
https://github.com/mrnabati/CenterFusion
网络架构如图所示：跟摘要说的那样，细节见下面模块分析。
首先，需要搞清楚雷达信号检测的是径向深度和目标实际速度的不同，如图：
作者采用CenterNet方法，无锚单目的目标检测方法。其中keypoint的heatmap定义为：
采用一个卷积encoder-decoder网络预测Y。基于此，回归3D目标的深度、尺寸和朝向。其训练分类损失，即focal loss：
CenterFusion利用CenterNet先得到一个初步检测，然后修正的DLA（deep layer aggregation）网络作为主干，在primary regression head中预测初步的3D目标信息，其中构成包括一个3X3的卷积层和一个1X1的卷积层。
Frustum association是关键融合雷达和图像的机制。用图像2D框和其深度 大小的估计构建一个3D RoI frustum，如图所示：
如果有多个雷达检测点在这个RoI，直接取距离最近的一个。注意这里提到一个scaling factor可增大frustum尺寸，以便包容深度估计的误差。
另外，目标高度的不准确，作者采用Pillar expansion对雷达点云做预处理。如图所示：第一行是雷达点云扩大成3D pillar的显示，第二行是直接把pillars和图像匹配的结果，相关较弱。第三行是frustum相关，减少了上面的深度值重叠，也防止背景目标（如大楼）错分类成前景。
图像和雷达的数据相关之后，可以提取雷达目标特征，深度和速度等。
如果两个目标有重叠的heatmap区域，按距离取最近的。
之后，这些特征进入secondary regression head，其结构包括3个3X3卷积层和一个1X1卷积层。最后结果需要经过一个box decoder得到。
训练中regression head的损失采用SmoothL1 loss，center point heatmap采用focal loss，而attributes regression head基于Binary Cross Entropy (BCE) loss。
看一下结果：
性能比较表
直观结果比较如下：1-2行CenterFusion，3-4行CenterNet。
雷达点云绿色，目标框GT红色，目标预测速度蓝色箭头。
CV资源下载
后台回复：CVPR2020，即可下载代码开源的论文合集
后台回复：ECCV2020，即可下载代码开源的论文合集
后台回复：YOLO，即可下载YOLOv4论文和代码
后台回复：Trasnformer综述，即可下载两个最新的视觉Transformer综述PDF，肝起来！
