前言
今天的陪你讀論文系列，要來讀一篇 2020 年的 3D Multi-Objet Tracking 文章 - Center-based 3D Object Detection and Tracking，這一篇除了在 nuScenes dataset 上面的表現很好之外，也提供了 程式碼 給想要 reproduce 論文結果的人使用，相當佛心。
這一篇的重點就是將物體用一個點來表示，並用這個點來 track。
今天我不想 follow "簡介 -> 方法 -> 結果" 這個常見的說明順序，而是根據我自己的理解順序來寫，廢話不多說，就讓我們繼續看下去。
實驗結果
首先，我們來看看這篇論文到底值不值得精讀，就從他的表現來決定。因為這篇論文提出的方法包含了 3D object detection 跟 3D object tracking，所以有兩大比較的領域，我們先看 3D object detection：
從結果中可以看出這篇論文的方法的表現很好，比 CVPR 2019 nuScenes 3D Detection Challenge 的贏家 CBGS 還要厲害，而且是完勝等級。看起來是一篇很值得看的 paper 呢！
如果你不了解這些 metrics 是怎麼計算的，可以直接看 code：
nuScenes uses the following detection metrics:
- Mean Average Precision (mAP): Uses center-distance as matching criterion; averaged over distance thresholds.
- True Positive (TP) metrics: Average of translation, velocity, scale, orientation and attribute errors.
- nuScenes Detection Score (NDS): The weighted sum of the above.
接著讓我們來看看 3D tracking 的表現：
跟 AB3DMOT（這裡面也有說明 AMOTA 是什麼） 還有 [6]（NeurIPS 2019 nuScenes Tracking challenge 的贏家） 比起來，除了 FP（False Positive，指明明沒有 object，演算法卻認為有 object 的情況）較多，其他指標也都樂勝，而且這個方法不需要用到額外的 motion model（例如 Kalman filter），所以 tracking 的運算時間很短。
看到這邊已經覺得這篇頗猛，不好好讀完是說不過去了。
這篇論文的核心 innovation
下一個很直覺的問題就是，這篇論文為什麼這麼厲害呢？我們直接看看他的架構：
這篇的方法只拿 lidar point cloud 當作 input，首先通過一個 3D encoder 得到 2D 的 feature map，然後使用 center-based detection head 來偵測物體。
在 3D encoder 的選擇上，他們使用兩種現成的演算法：
- VoxelNet
- PointPillar：速度較 VoxelNet 快，但最後出來的 accuracy 低一點。（然後因為 PointPillars 只需要用到 2D CNN，所以上圖架構中的 3D backbone 跟 flatten 都是虛線，因為只有 VoxelNet 需要。）
嗯，看到這邊還是不知道為什麼效果會這麼好，先跳去看一下 ablation study（一種研究方法，指一次改變一個 module 或是設定，看哪個變因對表現影響最大），看能不能大概知道，是哪一個部分對 accuracy 增加的貢獻度最高。
Ablation studies
這個 table 分成 VoxelNet、PointPillars 兩種 3D encoder 來比較，兩個 section 的第一列分別是 VoxelNet 和 PointPillars 的原始表現。
如果仔細看的話，會發現有兩個地方是 mAP 跳升的原因：
- CenterPoint：VoxelNet 跟 PointPillars 原本都是用 anchor-based 的 detection head，這邊換成用 center-based 的 detection head 之後，分別跳升了 3.7 跟 2.8 mAP，所以等一下我們就把重點放在看懂 center-based detection head 是怎麼設計的。
- Flip-test：這一項是單純為了克服 rotation 問題（point cloud 可能從不同角度送進系統），所以會把 point cloud 分別做水平跟垂直翻轉，得到 4 種 input point cloud，然後從 4 張輸出的 heatmap 再去取平均，等我們讀完 center-based detection head 會更了解這邊的意思，我就先放個原文當參考。
2D CenterNet
這篇最重要的核心演算法就是使用了 Objects as Points 裡面的 CenterNet，推薦大家可以去看看這篇文章 - CenterNet: Objects as Points — A Comprehensive Guide。裡面的圖跟說明都寫得非常讚，建議好好讀完，再回來看這篇，因為 CenterNet 是最重要的核心，基本上可以說只要懂 CenterNet 的概念（包含 network 架構、loss 的設計以及 inference 時如何 work），這篇就懂了 70%。
如果想檢驗自己有沒有懂，那就看看下面這段，看得懂的話就 OK 了：
CenterPoint
基本上，CenterPoint 的架構跟 CenterNet 一樣，只有輸出的結果都擴展到 3D，這段就說明得很清楚：
為了擴展到 3D，這邊還有做幾個小調整：
- 放大 Gaussian kernel，因為 3D lidar data 比較 sparse，尤其從 top-down view 看下去，物體普遍都不會佔太多空間，所以放大 Gaussian kernel 才會讓 heatmap 的結果比較好。
- 使用 deformable convolution layer 來幫助處理 rotational invariance 跟 equivariance 的問題。
- 在從 heatmap 中取得 peak 的時候，跟 CenterNet 不同，CenterNet 把 heatmap 中比 8 相鄰位置都大的點當做可能的物體中心，而 CenterPoint 是會把比某個半徑內位置都大的點當做可能的物體中心。
Tracking 的方法
這篇的 tracking 方法很簡單，就是先預測出 object velocity，然後從這個 frame 的 object 中心點扣掉 velocity 得到前一個 frame 應該在的位置，這時再看跟前一個 frame 的哪個物體最接近，就算 match 到了。
不過這個方法有一個潛在的問題，就是如果 velocity 預測偶爾不準，就會產生不連續的錯誤，所以他們這個方法為什麼會表現得這麼好其實滿有趣的，似乎可以更深入研究看看。
實作細節與實驗結果
這邊有很多細節，不過我覺得沒有需要特別說明的地方，有興趣的人可以自己去讀一下。
總結
今天介紹了一個在 nuScenes dataset 超越 SOTA 不少 percentage 的強大方法，它的概念簡單、也有程式碼，如果很多讀者有興趣的話，我也可以再開文章介紹這篇論文的實作細節，歡迎在下方留言許願！下次再陪你讀論文！
