見過3D物體數(shù)據(jù)集，見過會動的3D物體數(shù)據(jù)集嗎？

每段動態(tài)視頻都 以目標為中心拍攝，不僅自帶標注整體的邊界框，每個視頻還附帶相機位姿和稀疏點云。

這是谷歌的開源3D物體數(shù)據(jù)集 Objectron，包含 15000份短視頻樣本，以及從五個大洲、十個國家里收集來的 400多萬張帶注釋的圖像。

谷歌認為，3D目標理解領域，缺少像2D中的ImageNet這樣的大型數(shù)據(jù)集，而Objectron數(shù)據(jù)集能在一定程度上解決這個問題。

數(shù)據(jù)集一經(jīng)推出， 1.6k網(wǎng)友點贊。

有網(wǎng)友調(diào)侃，谷歌恰好在自己想“谷歌”這類數(shù)據(jù)集的時候，把它發(fā)了出來。

也有團隊前成員表示，很高興看到這樣的數(shù)據(jù)集和模型，給AR帶來進步的可能。

除此之外，谷歌還公布了用Objectron數(shù)據(jù)集訓練的針對 鞋子、椅子、杯子和相機4種類別的3D目標檢測模型。

來看看這個數(shù)據(jù)集包含什么，以及谷歌提供的3D目標檢測方案吧~ （項目地址見文末）

9類物體，對AR挺友好

目前，這個數(shù)據(jù)集中包含的3D物體樣本，包括自行車，書籍，瓶子，照相機，麥片盒子，椅子，杯子，筆記本電腦和鞋子。

當然，這個數(shù)據(jù)集，絕不僅僅只是一些以物體為中心拍攝的視頻和圖像，它具有如下特性：

注釋標簽 （3D目標立體邊界框）

用于AR數(shù)據(jù)的數(shù)據(jù) （相機位姿、稀疏點云、二維表面）

數(shù)據(jù)預處理 （圖像格式為tf.example，視頻格式為SequenceExample）

支持通過腳本運行3D IoU指標的評估

支持通過腳本實現(xiàn)Tensorflow、PyTorch、JAX的數(shù)據(jù)加載及可視化，包含“Hello World”樣例

支持Apache Beam，用于處理谷歌云（Google Cloud）基礎架構上的數(shù)據(jù)集

所有可用樣本的索引，包括訓練/測試部分，便于下載

圖像部分的畫風，基本是這樣的，也標注得非常詳細：

而在視頻中，不僅有從各個角度拍攝的、以目標為中心的片段 （從左到右、從下到上）：

也有不同數(shù)量的視頻類型 （一個目標、或者兩個以上的目標）：

谷歌希望通過發(fā)布這個數(shù)據(jù)集，讓研究界能夠進一步突破3D目標理解領域，以及相關的如 無監(jiān)督學習等方向的研究應用。

怎么用？谷歌“以身示范”

拿到數(shù)據(jù)集的第一刻，并不知道它是否好用，而且總感覺有點無從下手？

別擔心，這個數(shù)據(jù)集的訓練效果，谷歌已經(jīng)替我們試過了。

看起來還不錯：

此外，谷歌將訓練好的3D目標檢測模型，也一并給了出來。 （傳送見文末）

算法主要包括兩部分，第一部分是Tensorflow的2D目標檢測模型，用來“發(fā)現(xiàn)物體的位置”；

第二部分則進行圖像裁剪，來估計3D物體的邊界框 （同時計算目標下一幀的2D裁剪，因此不需要運行每個幀），整體結構如下圖：

在模型的評估上，谷歌采用了 Sutherland-Hodgman多邊形裁剪算法，來計算兩個立體邊界框的交點，并計算出兩個立方體的 相交體積，最終計算出3D目標檢測模型的 IoU。

簡單來說，兩個立方體重疊體積越大，3D目標檢測模型效果就越好。

這個模型是谷歌推出的MediaPipe中的一個部分，后者是一個開源的跨平臺框架，用于構建pipeline，以處理不同形式的感知數(shù)據(jù)。

它推出的MediaPipe Objectron實時3D目標檢測模型，用移動設備 （手機）就能進行目標實時檢測 。

看， （他們玩得多歡快）實時目標檢測的效果還不錯：

其他部分3D數(shù)據(jù)集

除了谷歌推出的數(shù)據(jù)集以外，此前視覺3D目標領域，也有許多類型不同的數(shù)據(jù)集，每個數(shù)據(jù)集都有自己的特點。

例如斯坦福大學等提出的 ScanNetV2，是個室內(nèi)場景數(shù)據(jù)集，而ScanNet則是個RGB-D視頻數(shù)據(jù)集，一共有21個目標類，一共1513個采集場景數(shù)據(jù)，可做語義分割和目標檢測任務。

而目前在自動駕駛領域非常熱門的 KITTI數(shù)據(jù)集，也是一個3D數(shù)據(jù)集，是目前最大的自動駕駛場景下計算機視覺的算法評測數(shù)據(jù)集，包含市區(qū)、鄉(xiāng)村和高速公路等場景采集的真實圖像數(shù)據(jù)。

此外，還有Waymo、SemanticKITTI、H3D等等數(shù)據(jù)集，也都用在不同的場景中。 （例如SemanticKITTI，通常被專門用于自動駕駛的3D語義分割）

無論是視頻還是圖像，這些數(shù)據(jù)集的單個樣本基本包含多個目標，使用場景上也與谷歌的Objectron有所不同。

感興趣的小伙伴們，可以通過下方傳送門，瀏覽谷歌最新的3D目標檢測數(shù)據(jù)集，以及相關模型~

Objectron數(shù)據(jù)集傳送門：

https://github.com/google-research-datasets/Objectron/

針對4種物體的3D目標檢測模型：

https://google.github.io/mediapipe/solutions/objectron

參考鏈接：

https://ai.googleblog.com/2020/11/announcing-objectron-dataset.html

https://ai.googleblog.com/2020/03/real-time-3d-object-detection-on-mobile.html

責任編輯：PSY