作者丨黄浴@知乎
来源丨https://zhuanlan.zhihu.com/p/351965263
编辑丨3D视觉工坊
2021年2月15日上传arXiv论文：“OmniDet: Surround View Cameras based Multi-task Visual Perception Network for Autonomous Driving”，作者来自Valeo公司和德国一所大学。
本文讨论的是一个环视鱼眼镜头的多任务视觉感知系统，其完成的包括：深度估计、视觉里程计、语义和运动分割、目标检测和镜头污染检测。特别是提出了一个camera geometry based adaptation mechanism，对镜头畸变模型编码。由于方框不适合鱼眼镜头图像的目标表示，采用了polygon with non-uniformly sampled vertices。
整个网络称为OmniDet模型，输出结果如图为例：(a) Rear-Camera Input Image, (b) Distance Estimation, (c) Semantic Segmentation, (d) Motion Estimation, (e) 24-sided Polygon based Object Detection 和 (f) Soiling Segmentation (asynchronous)。
首先是无监督深度估计和视觉里程计：基于作者以前的工作FisheyeDistanceNet。
目标检测：采用YOLO3，基于针对鱼眼镜头的目标polygon表示，即PolyYOLO。
关于目标表示法的性能比较如表：
分割任务是有监督的：基于Lovasz-Softmax loss 和 Focal loss。
污染检测：基于作者之前的模型SoilingNet，但采用asynchronous backpropagation，调整解码器部分，训练中固定编码器部分。输出也从格子变成pixel level segmentation。
如表是joint training中任务加权方法比较：其中有 uncertainty loss （Kendall）, gradient magnitude normalization GradNorm, dynamic task prioritization DTP, dynamic weight average DWA 和 geometric loss。作者提出的是VarNorm for variance normalization。
本文提出camera geometry tensor 处理 multiple viewpoints，类似工作如CAM-Convs；同时改变camera’s intrinsic distance estimation方法。
在Woodscape fisheye dataset, 有12 组不同的摄像头，其intrinsic parameter有些变化。采用单个模型的好处是：(1) 嵌入系统而已，这样存储小，数据读取快，效率高；(2) 训练数据更大 和不同视角图像正则化容易；(3) 维护模型简单。
如图所示：上述工作即Self-Attention Network (SAN) encoder module。
在多任务的框架下，协调工作有：
1）处理动态目标和无限深度范围；
2）语义导引的深度头和检测头；
3）自注意机制和语义特征对检测的帮助。
这些工作带来的性能提升见下表：
这是深度模型估计的性能比较：
这是VO模型的性能比较：
关于多任务和单任务训练的性能比较如下表：
本文仅做学术分享，如有侵权，请联系删文。
