CVPR 2021 | 谷歌發(fā)布視頻全景分割數(shù)據(jù)集！順帶開(kāi)發(fā)個(gè)模型屠榜

本文轉(zhuǎn)載自：新智元  |  編輯：LRS

自動(dòng)駕駛里視覺(jué)一直為人所詬病，特斯拉就是經(jīng)常被拉出來(lái)批判的典型。谷歌最近開(kāi)發(fā)了一個(gè)新模型，效果拔群，已被CVPR2021接收。

對(duì)于人來(lái)說(shuō)，看一張平面照片能夠想象到重建后的3D場(chǎng)景布局，能夠根據(jù)2D圖像中包含的有限信號(hào)來(lái)識(shí)別對(duì)象，確定實(shí)例大小并重建3D場(chǎng)景布局。

這個(gè)問(wèn)題有一個(gè)術(shù)語(yǔ)叫做光學(xué)可逆問(wèn)題inverse optics problem，它是指從視網(wǎng)膜圖像到視網(wǎng)膜刺激源的模糊映射。

現(xiàn)實(shí)世界中的計(jì)算機(jī)視覺(jué)應(yīng)用，例如自動(dòng)駕駛就嚴(yán)重依賴這些功能來(lái)定位和識(shí)別3D對(duì)象，這需要AI模型來(lái)推斷投影到2D圖像的每個(gè)3D點(diǎn)的空間位置、語(yǔ)義類別和實(shí)例標(biāo)簽。

從圖像重建3D世界的能力可以分解為兩個(gè)獨(dú)立的子任務(wù)：?jiǎn)文可疃裙烙?jì)（從單個(gè)圖像預(yù)測(cè)深度）和視頻全景分割（實(shí)例分割和語(yǔ)義分割）。

研究人員通常對(duì)每個(gè)任務(wù)提出不同的模型，通過(guò)在多個(gè)任務(wù)之間共享計(jì)算的模型權(quán)重。在實(shí)際應(yīng)用的時(shí)候，將這些任務(wù)與統(tǒng)一的計(jì)算機(jī)視覺(jué)模型一起處理可以簡(jiǎn)化部署提高效率。

基于這個(gè)研究背景，Google提出一個(gè)全新的模型ViP-DeepLab，通過(guò)深度感知視頻全景分割來(lái)學(xué)習(xí)視覺(jué)感知，已被CVPR 2021接受，旨在同時(shí)解決單目深度估計(jì)和視頻全景分割。

ViP-DeepLab: Learning Visual Perception with Depth-aware Video Panoptic Segmentation

論文：https://arxiv.org/abs/2012.05258

數(shù)據(jù)集：https://github.com/joe-siyuan-qiao/ViP-DeepLab

論文中還提出了兩個(gè)數(shù)據(jù)集，并提出了一種稱為深度感知視頻全景質(zhì)量（DVPQ）的新評(píng)估指標(biāo)，這個(gè)新指標(biāo)可以同時(shí)評(píng)估深度估計(jì)和視頻全景分割。

ViP-DeepLab是一個(gè)統(tǒng)一的模型，可以對(duì)圖像平面上的每個(gè)像素聯(lián)合執(zhí)行視頻全景分割和單目深度估計(jì)，并在子任務(wù)的幾個(gè)學(xué)術(shù)數(shù)據(jù)集取得了sota結(jié)果。

ViP-DeepLab通過(guò)從兩個(gè)連續(xù)的幀作為輸入來(lái)執(zhí)行其他預(yù)測(cè)，輸出包括第一幀的深度估計(jì)，它為每個(gè)像素分配一個(gè)深度估計(jì)值。

此外，ViP-DeepLab還對(duì)出現(xiàn)在第一幀中的對(duì)象中心執(zhí)行兩個(gè)連續(xù)幀的中心回歸，此過(guò)程稱為中心偏移預(yù)測(cè)，它允許兩個(gè)幀中的所有像素分組到出現(xiàn)在第一幀中的同一對(duì)象。如果未將新實(shí)例匹配到先前檢測(cè)到的實(shí)例中，則會(huì)出現(xiàn)新實(shí)例。

ViP-DeepLab的輸出可以用于視頻全景分割。連接兩個(gè)連續(xù)的幀作為輸入。語(yǔ)義分割輸出將每個(gè)像素與其語(yǔ)義類別相關(guān)聯(lián)，而實(shí)例分割輸出則從與第一幀中的單個(gè)對(duì)象相關(guān)聯(lián)的兩個(gè)幀中識(shí)別像素，輸入圖像來(lái)自Cityscapes數(shù)據(jù)集。

論文中在多個(gè)流行的基準(zhǔn)數(shù)據(jù)集上測(cè)試了ViP-DeepLab，包括Cityscapes-VPS，KITTI深度預(yù)測(cè)和KITTI多對(duì)象跟蹤和分段（MOTS）。

ViP-DeepLab都取得了SOTA的結(jié)果，在Cityscapes-VPS測(cè)試上，其視頻全景質(zhì)量（VPQ）大大優(yōu)于以前的方法，達(dá)到了5.1％。

在KITTI深度預(yù)測(cè)基準(zhǔn)上進(jìn)行單眼深度估計(jì)的比較，對(duì)于深度估算指標(biāo)，值越小，性能越好。盡管差異可能看起來(lái)很小，但在此基準(zhǔn)上性能最高的方法通常在SILog中的間隙小于0.1。

此外，VIP-DeepLab也在KITTI MOTS行人和汽車(chē)排名度量使用新的度量標(biāo)準(zhǔn)HOTA，都取得了顯著提升。

最后，論文中還為新任務(wù)提供了兩個(gè)新的數(shù)據(jù)集，即深度感知視頻全景分割，并在其上測(cè)試了ViP-DeepLab，而這個(gè)模型的結(jié)果將成為社區(qū)進(jìn)行比較的基準(zhǔn)模型。

ViP-DeepLab具有簡(jiǎn)單的體系結(jié)構(gòu)，可在視頻全景分割，單目深度估計(jì)以及多對(duì)象跟蹤和分割方面實(shí)現(xiàn)最先進(jìn)的性能，這個(gè)模型也能幫助進(jìn)一步研究對(duì)2D場(chǎng)景中的真實(shí)世界。

參考資料：

https://ai.googleblog.com/2021/04/holistic-video-scene-understanding-with.html