multi-mono-sf:自监督多帧单目场景流估计-CSDN博客

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

标题：Self-Supervised Multi-Frame Monocular Scene Flow

作者：Junhwa Hur, Stefan Roth

机构：Department of Computer Science, TU Darmstadt hessian.AI

来源： CVPR, 2020

编译：GUOCHENG

审核: zhuhu

这是泡泡图灵智库推送的第672篇文章，欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

大家好，今天为大家带来的文章是　

Self-Supervised Multi-Frame Monocular Scene Flow

由于单目场景流估计只需要单目相机，对设备的要求低，因此最近受到广泛关注，之前研究成果在精度以及实时性方面仍然有待提升。本文提出一种基于自监督的多帧单目场景流估计网络，在保证实时性的同时提高了估计的准确性。

代码地址: https://github.com/visinf/multi-mono-sf

主要工作与贡献

将原有的两帧输入的双帧基线与分割解码器模型改成三帧输入，增加了一个卷积LSTM连接网络。
用occlusion-aware census loss提高准确性
采用梯度分离策略提高训练稳定性

算法流程

该算法通过N个连续帧单目图像，估计参考帧每一个像素点的三维坐标以及下一帧图像的每一个3D点的3D场景流

2.1 Refined backbone architecture

网络架构基于Junhwa Hur 在Self-supervised monocularscene flow estimation中提出的两帧融合网络，Hur所提出的方法采用PWC-Net并且可以达到实时性。在该网络中包括特征金字塔、cost volume，并利用金字塔联合解码器估计残差流、视差。在该主干网络基础上进行改进使其适用于单目场景流估计。

在实验中，我们发现cost volume normalization以及较低层级的金字塔网络可以提升网络效果。我们发现基于扩展卷级的context network会影响自监督训练，因此采用一个新的解码器替代context network，对于每个任务从最后一层逐渐将解码器分成两个单独的解码器，我们通过实验比较预测结果，最后发现将最后三层网络单独分开可以得到非常好的效果。

图1 编码器配置

图2.测试不同编码器性能实验

2.2 Multi-frame estimation

首先在每个时间步使用时间上连续的三帧图像，图3展示了多帧估计的单层特征金字塔网络结构。

图3.网络架构

为了充分利用时间连续性条件，在编码器中用采用了卷积LSTM，可以跨时间步传递隐藏状态，利用先前时间步估计值。为了保证前后帧卷积LSTM cell state 以及hidden state的坐标一致性，我们利用估计的场景流和视差采用forward-warp转换上一帧cell state 以及hidden state坐标到当前帧。并且利用有效性mask根据对应像素特征向量的相似性分数，过滤不匹配像素点。

图4 forward-warp公式

图5. 基于convolutional LSTM with forward warping的解码器

2.3 Self-supervised loss

给定估计出的多帧场景流和视差估计，建立双向自监督损失函数。并采用了Huret等人[23]的自监督损失，包括一个视图合成损失和一个3D重建损失，引导视差和场景流输出与给定的输入图像一致。总自监督损失是视差损失Ld和场景流Lsf损失的加权和。

图6. 在时间相邻估计之间应用自监督损失。

相较于[23]提出了一个新的occlusion-aware census loss去惩罚视图合成的光度差异，它只计算可见像素的汉明距离。

图6. Occlusion-aware census transform

图7. Occlusion-aware census transform公式

3.5. Improving the training stability

取代上下文网络提高了训练的稳定性。然而，我们发现集成ConvLSTM模块[59]仍然会导致训练的不稳定性，从而在训练的早期阶段产生差异预测。

为了解决这个问题，我们建议在训练的早期阶段分离场景流损失和时差损失，以便每个解码器首先关注自己的任务。我们推测，从场景流损失反向传播到视差解码器的梯度强烈影响视差估计。为了防止场景流占据主导地位，我们分离了梯度，但仅限于训练计划的前两个阶段。

图8. 分离场景流丢失和视差解码之间的梯度

实验结果

1.实施细节

为了与最密切相关的前期工作[23]进行公平比较，我们使用相同的数据集KITTI和相同的训练协议，假设固定的立体基线。我们使用KITTI Spliti[13]，将32个场景总共分割为25个场景进行训练，剩余7个场景进行验证。与[23]不同，我们在整个场景级别划分训练集验证集，以便为我们的多帧设置利用更多连续帧，并完全重新移动两个分割之间可能的重叠。然后，使用提供的场景流地面真实值评估我们的模型。KITTI Spliti和KITTI场景流训练不重叠。在我们对Kitti Split进行自我监督训练后，我们选择以semi-supervised的方式对我们的模型进行微调，并与以前最先进的单目场景流方法进行比较[7,73]。

鉴于我们使用[23]的网络作为基础，我们使用相同的增强方案和训练配置（例如，学习率、培训计划、优化器等）。为了确保训练的稳定性，我们在前2个epoch分离场景流损失和视差解码器之间的梯度。

2.估计结果

表1.多帧估计的消融研究

表2. occlusion-aware census transform消融研究

表3. KITTI 2015场景流评估

表4. KITTI 2015场景流评估

点击阅读原文，即可获取本文下载链接。

本文仅做学术分享，如有侵权，请联系删文。

下载1

在「3D视觉工坊」公众号后台回复：3D视觉，即可下载 3D视觉相关资料干货，涉及相机标定、三维重建、立体视觉、SLAM、深度学习、点云后处理、多视图几何等方向。

下载2

在「3D视觉工坊」公众号后台回复：3D视觉github资源汇总，即可下载包括结构光、标定源码、缺陷检测源码、深度估计与深度补全源码、点云处理相关源码、立体匹配源码、单目、双目3D检测、基于点云的3D检测、6D姿态估计源码汇总等。

下载3

在「3D视觉工坊」公众号后台回复：相机标定，即可下载独家相机标定学习课件与视频网址；后台回复：立体匹配，即可下载独家立体匹配学习课件与视频网址。

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列三维点云系列结构光系列、手眼标定、相机标定、orb-slam3知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近2000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款