廣告：我們在招 3D Object Detection 方向的實習生，有意向可以私信我簡歷；以下是正文。

------------------- 我是華麗的分割線 ---------------------

URL： Disentangling Monocular 3D Object Detection

在今年 CVPR 2019 WAD Workshop nuScenes Detection Challenge 中，Mapillary 使用本文介紹的 MonoDIS 達到了目前 SOTA 的 image-only 3D Detection Performance（NDS 38。4%）；雖然不及官方基於 lidar 的 pointpillars baseline，但也已經是基於單目非常高的精度了，而且方法很簡單。（本次 challenge 最高的 NDS 是我們的 63。3%）

本文的核心是提出瞭解耦的 regression loss，用來替代之前同時迴歸 center、size、rotation 帶來的由於各個 opponent 的 loss 大小不同導致的訓練問題；基本思想是將回歸的部分分成 k 個 group，每個 group 只有自身的引數需要學習，其他的部分使用 gt 代替，從而實現每個分支只回歸某一個 component，使得訓練更加穩定。同時提出了改進的 sIoU loss，將沒有 overlap 的 bboxes 的 loss 也考慮進來。同時，本文使用 memory efficient in-place synced bn 替換了原來的 BatchNorm，從而更 efficient 的訓練；

### 1。 2D Detector

#### 1。1 Backbone - RetinaNet

你可以注意到這個 FPN 的方向是反著的；另外，本文提到的 iABN 可以參考

https：//

github。com/mapillary/in

place_abn

#### 1。2 2D Detection Head

#### 1。3 Loss

* Focal Loss for cls

* IoU Loss for reg

sIoU 值域是 ［-1， 1］

### 2。 3D Detector

#### 2。1 3D Detection Head

其中，iABN 參考的是 mapillary/inplace_abn

### 3。 Disentangling 2D and 3D Losses

disentangling transformation because it isolates the contribution of groups of parameters to a given loss， while preserving its inherent nature。

翻譯成人話就是

把要回歸的 loss 分成 k 組，每一組計算 loss 時，使用 Output_j， 以及 GroundTruth_-j，計算出對應的 smooth l1 loss。

這樣的好處是，可以解耦具有不同語義的各個部分的相互影響；使得收斂的過程更加平滑，訓練更加穩定；如下圖所示：

### 4。 KITTI benchmark 的問題

本文指出 KITTI 目前採用的從 0～1 之間的 41 個 bin 中取 10 個會出現歧義（9。09），因此轉而使用 1/40 ～ 1 之間的 40 個 bin 來計算 AP。

### 5。 Results

本文給出了 KITTI 和 nuScenes 上的結果