目录

• 概述
• 细节
• • 基准模型
  • 点云置信度生成网络
  • 特征聚合 DGCNN

概述

本文是基于单目图像的3D目标检测方法，是西安电子科技大学的郭鑫宇学长的硕士学位论文。
【2021】【单目图像的3D目标检测方法】

细节

基准模型

作者还是按照伪雷达点云算法的流程设计的，并且将单目深度估计的网络和基于点云的3D检测网络替换成了最先进的DORN网络和PV-RCNN网络，这就构成了本文的基准模型。

点云置信度生成网络

这部分是作者第三章的内容，主要研究的是如何得到更加优质的伪雷达点云，来作为下一阶段3D检测网络的输入。
这个问题我见到过两种思路，一种是改进单目深度估计的网络，使得生成的深度图像质量尽可能的高，从而得到高质量的伪点云；另一种 就是不改动单目深度估计网络，而是想办法提高生成伪点云的质量，这也正是作者的想法。

那该如何提高伪点云的质量呢？作者给出的想法就是剔除掉不可靠的点云，保留可靠的点云。
那具体该怎么做呢？作者考虑了伪点云是有深度图像转换而来的，就开始研究深度图像，发现了以下两个性质，依靠着这两个性质提出了置信度的概念，依靠置信度筛选点云。

• 在目标中心位置附近的深度估计最为准确，而在目标与背景间过渡区域的平均误差最高。
  
• 单目深度图的深度误差随距离的增加而非线性上升。
  
  作者将第一个性质表示出来，成为局部置信度，将第二个性质表示出来，称为全局置信度，结合这两个置信度得到最终的置信度。注意，我们这边得到的置信度其实还是图像中逐像素的置信度，想要得到点云的置信度，应该对点云进行投影，对应投影位置的置信度，就是点云置信度。

特征聚合 DGCNN