擴展 | 3D 計算機視覺簡介
翻譯 | 江舟 校對 | Lamaric 整理 | MY
來源 | AI研習社
隨著 AR / VR 技術和自動駕駛汽車技術的發展，3D 視覺問題變得越來越重要，它提供了比 2D 更豐富的信息。本文將介紹兩種用於 3D 場景分析的基本深度學習模型：VoxNet 和 PointNet。
3D 圖像介紹
3D 圖像會多包含一個維度，即深度。有兩種最廣泛使用的 3D 格式：RGB-D 和點雲。
RGB-D
RGB-D 格式圖像就像一堆單值圖像，每個像素都有四個屬性，紅色，綠色，藍色和深度。
在普通的基於像素的圖像中，我們可以通過（x，y）坐標定位任何像素，然後就可以分別獲得三種顏色屬性（R，G，B）。而在 RGB-D 圖像中，每個（x，y）坐標將對應於四個屬性（深度，R，G，B）。RGB-D 和點雲之間的唯一區別在於，在點雲中，（x，y）坐標反映了其在現實世界中的實際值，而不是簡單的整數值。
點雲
網上的點雲樣例
點雲可以由 RGB-D 圖像構建。如果你有已掃描的 RGB-D 的圖像，並且還知道掃描相機的內在參數，那麼你可以以 RGB-D 圖像創建點雲，方法是通過使用相機內在參數計算真實世界的點（x，y）。這個過程被稱為相機校準。因此，到目前為止，你知道了 RGB-D 圖像是網格對齊的圖像，而點雲是更稀疏的結構。
3D 視覺
就像 2D 問題一樣，我們想要檢測並識別 3D 掃描圖像中的所有對象。但與 2D 圖像不同的是，為了充分使用 CNNs 方法的數據，它的最佳輸入格式該是什麼就成了一個需要解決的問題。
體素化網格
體素化網格是將 3D 對象擬合到網格中的最直觀的方法，為了使其看起來像是像素圖像，我們在這裡將其稱為體素。在這種情況下，3D 圖像由（x，y，z）坐標描述，它看起來就會像樂高一樣。
VoxNet 架構來自「VoxNet：一個用於實時物體識別的 3D 卷積神經網路」，作者：Daniel Maturana 和 Sebastian Scherer。
VoxNet 是一種基於深度學習的框架，它使用佔據網格方法對 3D 點雲進行分類，VoxNet 在分類問題上非常有效。
例如，如果我們將點雲擬合到 32x32x32 的體素化網格，我們可以構建一個全部填充為零的 32x32x32 的數組。然後縮放點雲來計算每個體素內的有多少個點。
在獲得體素化網格後，我們接下來執行 3D 卷積計算，這有效地在基於體素的圖像上滑動立方體（譯者註： 3D 卷積是通過堆疊多個連續的幀組成一個立方體，然後在立方體中運用 3D 卷積核）。
我們將掃描擴展到相同的基礎。我們設想如果我們進行大規模掃描，每個物體將只是一個會導致一些問題的體素。而且，由於那些上採樣操作，不容易確定每個體素的 RGB 顏色。
對於簡單的數據集（具有相似的點數，相似的掃描比例），VoxNet 可能是一個簡單而效果好的方法。但如果遇到複雜的數據集，它可能並不是一個好的選擇。
點
雖然基於體素化的方法可以在分類問題上展現很好地工作效率，但它為上採樣操作犧牲了大量信息。因此，我們希望能夠在點上來訓練有更好效果的網路。
第一個問題是點的順序，我們知道點雲對點的順序是不變的。
點雲文件可以在不更改實際渲染的情況下被更改。
處理此問題（PointNet）有三種策略：
對點進行排序。
輸入為 RNN 的序列，此序列通過增加各種排列來增大。
使用對稱函數來聚合來自每個點的信息。在此對稱函數中，+ 或 * 是對稱的二元函數。
在 PointNet 的論文中，文中說第一種方法會產生一定的計算強度，第二種方法則不夠健壯。因此，在這裡將使用最大池和對稱函數。而最大池是這裡的主要操作。
整個框架如下文所述，你也可以去 GitHub 參見完整的實現過程。
PointNet 的架構中，mlp 代表多層感知器。T-Net 是一個微小的變換網路。
通常，它是卷積、完全連接和最大池化層的一種靈活使用方式。我發現一開始可能會很難理解這些，因此我們可以直接看代碼去更好地理解。
首先，我將給出一個示例點雲，它每行是（x，y，z，r，g，b）。其中每行代表一個點。假設我們在這個例子中有 n 個點。
注意：PointNet 的實際輸入使用標準化 RGB 色域，基點的 x，y 在空間的中心是對齊的。為了不與浮點數之間發生混亂，在這裡我沒有這樣做。
PointNet 中的分類
第一步操作是進行 2d 卷積，其內核大小為（1，6），它用來聚合一個點的相關信息（x，y，z，r，g，b；總共六個）。此處的輸出應為（n，1,64）。
注意：每層都有批量標準化，我將其刪除以簡化演示過程。此外，原始 PointNet 使用 9 個特徵作為輸入（x，y，z，r，g，b，normalized_x，normalized_y，normalized_z）。
這裡是幾個 1x1 卷積運算以逐個像素點的方式檢測這些特徵。因此，我們將在這之後產生一個（n，1，1024）的數組。
接下來是最重要的步驟，最大池會選擇所有點中最顯著的特徵。這就是函數對點的順序不變的原因。由於我們在先前的圖層中有 1024 個過濾器，因此該圖層將輸出 1024 個特徵。
之後，所有特徵將通過完全連接層被完全連接。
注意：這裡的批量大小是 1。PointNet 的輸入是一個掃描的場景，此場景將被分成小批量（每批有 4096 點）。PointNet 將執行特徵檢測批處理程序。
到目前為止，如果你再添加一個完全連接的圖層來輸出類標籤的數量，則可以回到之前的圖，而這就是 PointNet 在點雲上進行分類的方式。簡單地可以分為以下三點：
匯總每個點信息。
找到每個點最顯著的特徵。
然後完全連接來分類。
PointNet 中的語義分割
分割可看作分類模型不斷發展的結果。不過，我們希望網路能夠忽略點的順序。因此，我們將每個點特徵與全局特徵連接起來，讓每個點都知道上下文。
然後我們將使用幾個 1x1 卷積內核來提取新的逐點特徵。
然後我們就能做出逐點預測。例如，每個點有 13 個類。
原文鏈接：
https://medium.com/@jianshi_94445/an-introduction-towards-3d-computer-vision-71be8ce11956
