继 2020 年初 Facebook 开源鉴于 PyTorch 的 3D 计算机视觉库 PyTorch3D 之后，google也于近日开源了一个鉴于 TF 框架的高度模块化和高效处理库 TensorFlow 3D。目前，该库已经开源。
3D 计算机视觉是一个非常重要的研究课题，选择合适的计算框架对处理效果将会产生很大的影响。此前，机器之心曾介绍过 Facebook 开源的鉴于 PyTorch 框架的 3D 计算机视觉处理库 PyTorch3D，该库在 3D 建模、渲染等多方面处理操作上表现出了更好的效果。最近，另一个常用的深度学习框架 TensorFlow 也有了自己的高度模块化和高效处理库。它就是google AI 推出的 TensorFlow 3D（TF 3D），将 3D 深度学习能力引入到了 TensorFlow 框架中。TF 3D 库鉴于 TensorFlow 2 和 Keras 构建，使得更易于构建、训练和部署 3D 语义联系、3D 实例联系和 3D 目的检测模型。目前，TF 3D 库已经开源。
GitHub 项目地址：https://github.com/google-research/google-research/tree/master/tf3dTF 3D 提供了一系列流行的运算、损失函数、数据处理工具、模型和指标，使得更广泛的研究社区方便地开发、训练和部署 SOTA 3D 场景理解模型。TF 3D 还包含用于 SOTA 3D 语义联系、3D 目的检测和 3D 实例联系的训练和评估 pipeline，并支持分布式训练。该库还支持 3D 物体形状预计、点云配准和点云加密等潜在应用。此外，TF 3D 提供了用于训练和评估标准 3D 场景理解数据集的统一数据集规划和配置，目前支持 Waymo Open、ScanNet 和 Rio 三个数据集。不过，用户可以自由地将 NuScenes 和 Kitti 等其他流行数据集转化为类似格式，并在预先存在或自定义创建的 pipeline 中利用它们。最后，用户可以将 TF 3D 用于多种 3D 深度学习研究和应用，比如快速原型设计以及尝试新思路来部署实时推理系统。下图（左）为 TF 3D 库中 3D 目的检测模型在 Waymo Open 数据集帧上的输出示例；下图（右）为 TF 3D 库中 3D 实例联系模型在 ScanNet 数据集场景上的输出示例。
3D 稀少卷积收集google详细介绍了 TF 3D 库中提供的高效和可配置稀少卷积骨干收集，该收集是在各种 3D 场景理解任务上取得 SOTA 结果的关键。在 TF 3D 库中，google利用子流形稀少卷积和池化操作，这两者被设计用于更高效地处理 3D 稀少数据。稀少卷积模型是大多数户外自动驾驶（如 Waymo 和 NuScenes）和室内基准（如 ScanNet）中利用的 SOTA 方法的核心。google还利用各种 CUDA 技术来加速计算（如哈希算法、共享内存中联系 / 缓存滤波器以及位操作）。在 Waymo Open 数据集上的实验表明，这种实现的速度约是利用预先存在 TensorFlow 操作的实现的 20 倍。TF 3D 库中利用 3D 子流形稀少 U-Net 架构来提取每个体素（voxel）的特征。通过令收集提取稀少和细微特征并结合它们以做出预计，U-Net 架构已被证实非常有效。在结构上，U-Net 收集包含三个模块：编码器、瓶颈层和解码器，它们均是由大量具有潜在池化或非池化操作的稀少卷积块组成的。下图为 3D 稀少体素 U-Net 架构：
稀少卷积收集是 TF 3D 中所提供 3D 场景理解 pipeline 的骨干。并且，3D 语义联系、3D 实例联系和 3D 目的检测模型利用稀少卷积收集来提取稀少体素的特征，然后添加一个或多个额外的预计头（head）来推理感兴趣的任务。用户可以通过改变编码器或解码器层数和每个层的卷积数，以及调整卷积滤波器大小来配置 U-Net 收集，从而探索不同骨干收集配置下各种速度或准确率的权衡。TF 3D 支持的三个 pipeline目前，TF 3D 支持三个 pipeline，分别是 3D 语义联系、3D 实例联系和 3D 目的检测。3D 语义联系3D 语义联系模型仅有一个用于预计每体素（per-voxel ）语义分数的输出头，这些语义被映射回点以预计每点的语义标签。下图为 ScanNet 数据集中室内场景的 3D 语义联系结果：
3D 实例联系除了预计语义之外，3D 实例联系的另一目的是将属于同一物体的体素集中分组在一起。TF 3D 中利用的 3D 实例联系算法鉴于google之前鉴于深度度量学习的 2D 图像联系。模型预计每体素的实例嵌入向量和每体素的语义分数。实例嵌入向量将这些体素嵌入至一个嵌入空间，在此空间中，属于同一物体实例的体素紧密靠拢，而属于不同物体的体素彼此远离。在这种情况下，输入的是点云而不是图像，并且利用了 3D 稀少收集而不是 2D 图像收集。在推理时，贪婪算法每次选择一个实例种子，并利用体素嵌入之间的距离将它们分组为片段。3D 目的检测3D 目的检测模型预计每体素大小、中心、旋转矩阵和目的语义分数。在推理时利用 box proposal 机制，将成千上万个每体素 box 预计缩减为数个准确的 box 建议；在训练时将 box 预计和分类损失应用于每体素预计。google在预计和真值 box 角（box corner）之间的距离上应用到了 Huber 损失。由于 Huer 函数根据 box 大小、中心和旋转矩阵来估计 box 角并且它是可微的，因此该函数将自动传回这些预计的目的特性。此外，google利用了一个动态的 box 分类损失，它将与真值强烈重叠的 box 分类为正（positive），将与真值不重叠的 box 分类为负（negative）。下图为 ScanNet 数据集上的 3D 目的检测结果：
参考链接：https://ai.googleblog.com/2021/02/3d-scene-understanding-with-tensorflow.html
