仅通过在照片上训练模型，机器学习（ML）的最新技术就已经在许多计算机视觉任务中实现了卓越的准确性。基于这些成功和不断发展的3D对象理解，在增强现实，机器人技术，自主性和图像检索等广泛应用方面具有巨大潜力。例如，今年早些时候，Google发布了MediaPipe Objectron（一套针对移动设备设计的实时3D对象检测模型），它们在完全注释的真实3D数据集上进行了训练，可以预测对象的3D边界框。
3D模型
然而，由于与2D任务（例如ImageNet，COCO和Open Images）相比，缺少大型现实世界的数据集，因此了解3D对象仍然是一项具有挑战性的任务。为了使研究社区能够不断提高对3D对象的理解，迫切需要发布以对象为中心的视频数据集，该数据集可以捕获对象的更多3D结构，同时匹配用于许多视觉任务的数据格式（ （例如视频或摄像机流），以帮助训练和确定机器学习模型的基准。
今天，Google发布Objectron数据集，这是一个短的，以对象为中心的视频剪辑的集合，可从不同的角度捕获更大的一组公共对象。每个视频剪辑都随附有AR会话元数据，其中包括相机姿势和稀疏点云。数据还包含每个对象的手动注释3D边界框，它们描述了对象的位置，方向和尺寸。数据集包括15K带注释的视频剪辑，并补充了从不同地理区域的样本中收集的超过4M带注释的图像。
3D模型检测
3D对象检测解决方案与数据集一起，我们还将共享针对四类对象的3D对象检测解决方案-鞋子，椅子，杯子和照相机。这些模型在MediaPipe中发布，MediaPipe是Google的用于实时和流媒体的跨平台可定制ML解决方案的开源框架，它还支持ML解决方案，例如设备上的实时手部，虹膜和身体姿势跟踪。
与以前发布的单阶段Objectron模型相反，这些最新版本使用两阶段体系结构。第一阶段采用TensorFlow对象检测模型来查找对象的2D裁剪。然后，第二阶段使用图像裁剪来估计3D边界框，同时为下一帧计算对象的2D裁剪，因此对象检测器不需要运行每个帧。第二阶段3D边界框预测器在Adreno 650移动GPU上以83 FPS运行。
3D对象检测解决方案图
3D对象检测的评估指标借助地面真相注释，我们使用3D联合交叉点（IoU）相似度统计数据（用于计算机视觉任务的常用指标）评估3D对象检测模型的性能，该指标可测量边界框与目标之间的接近程度。基本事实。
Google提出了一种算法，可为通用的面向3D的盒子计算准确的3D IoU值。首先，我们使用Sutherland-Hodgman多边形裁剪算法计算两个盒子的面之间的交点。这类似于用于计算机图形学的视锥剔除技术。相交的体积由所有修剪的多边形的凸包计算。最后，根据两个框的交点的体积和并集的体积计算IoU。我们将与数据集一起发布评估指标源代码。
左：通过将多边形裁剪到框上来计算每个面的交点。右：通过计算所有相交点（绿色）的凸包来计算相交的体积。
数据集格式
有关Objectron数据集的技术细节，包括用法和教程，请访问数据集网站。数据集包括自行车，书籍，瓶子，照相机，谷物盒，椅子，杯子，笔记本电脑和鞋子，并存储在Google Cloud存储上的objectron存储桶中：
· 视频片段
· 注释标签（对象的3D边界框）
· AR元数据（例如照相机姿势，点云和平面）
· 已处理的数据集：带注释帧的改编版本，图像的格式为tf.example，视频的格式为SequenceExample。
· 支持脚本以基于上述指标运行评估
· 支持脚本以将数据加载到Tensorflow，PyTorch和 Jax并可视化数据集，包括" Hello World"示例
对于数据集，我们还将开放数据源管道，以在流行的Tensorflow，PyTorch和Jax框架中解析数据集。还提供了示例colab笔记本。
通过发布此Objectron数据集，我们希望使研究界能够突破3D对象几何理解的极限。我们还希望促进新的研究和应用，例如视图合成，改进的3D表示和无监督学习。
以上为Google官方介绍，后期我们分享如何代码实现