谷歌繼續(xù)開源新AI框架，可實現(xiàn)手機高效實時3D目標檢測

來源：澎湃新聞

如何從2D圖像中做3D目標檢測，對于計算機視覺研究來說，一直是個挑戰(zhàn)。3月12日，谷歌AI在其官方博客上發(fā)布了一款名為MediaPipe Objectron的算法框架，利用這個算法框架，只要一部手機，就能實時從2D視頻里識別3D物品的位置、大小和方向。這一技術(shù)可以幫助機器人，自動駕駛汽車，圖像檢索和增強現(xiàn)實等領(lǐng)域?qū)崿F(xiàn)一系列的應(yīng)用。

分開來解釋，MediaPipe是一個開源代碼跨平臺框架，主要用于構(gòu)建處理不同形式的感知數(shù)據(jù)，而 Objectron在MediaPipe中實現(xiàn)，并能夠在移動設(shè)備中實時計算面向?qū)ο蟮?D邊界框。

在計算機視覺領(lǐng)域里，跟蹤3D目標是一個棘手的問題，尤其是在有限的計算資源上，例如，智能手機上。由于缺乏數(shù)據(jù)，以及需要解決物體多樣的外觀和形狀時，而又僅有可2D圖像可用時，情況就會變得更加困難。

為了解決這個問題，谷歌Objectron團隊開發(fā)了一套工具，可以用來在2D視頻里為對象標注3D邊界框，而有了3D邊界框，就可以很容易地計算出物體的姿態(tài)和大小。注釋器可以在3D視圖中繪制3D邊界框，并通過查看2D視頻幀中的投影來驗證其位置。對于靜態(tài)對象，他們只需在單個幀中注釋目標對象即可。

為了補充現(xiàn)實世界的訓(xùn)練數(shù)據(jù)以提高AI模型預(yù)測的準確性，該團隊還開發(fā)了一種名為AR Synthetic Data Generation（增強現(xiàn)實合成數(shù)據(jù)生成）的新穎方法。它可以將虛擬對象放置到具有AR會話數(shù)據(jù)的場景中，允許你利用照相機，檢測平面和估計照明，來生成目標對象的可能的位置，以及生產(chǎn)具有與場景匹配的照明。這種方法可生成高質(zhì)量的合成數(shù)據(jù)，其包含的渲染對象能夠尊重場景的幾何形狀并無縫地適配實際背景。

網(wǎng)絡(luò)的樣本結(jié)果：左邊是帶有估計邊界框的原始2D圖像；中間是高斯分布的對象檢測；右邊是預(yù)測的分割蒙版。

通過上述兩個方法，谷歌結(jié)合了現(xiàn)實世界數(shù)據(jù)和增強現(xiàn)實合成數(shù)據(jù)，將檢測準確度度提高了10%。

增強現(xiàn)實合成數(shù)據(jù)生成的一個示例：虛擬白褐色谷物盒渲染到真實場景中，緊鄰真實藍皮書。

準確度的提升是一方面，谷歌表示，當(dāng)前版本的Objectron模型還足夠“輕巧”，可以在移動設(shè)備上實時運行。借助LG V60 ThinQ，三星Galaxy S20 +和Sony Xperia 1 II等手機中的Adreno 650移動圖形芯片，它能夠每秒處理約26幀圖像，基本做到了實時檢測。接下去，谷歌團隊表示：" 我們希望通過與更多的研究員和開發(fā)者共享我們的解決方案，這將激發(fā)新的應(yīng)用案例和新的研究工作。我們計劃在未來將模型擴展到更多類別，并進一步提高設(shè)備性能。"