真实场景中任意物体的三维标注
计算机视觉与模式识别
2024-10-28 v1
摘要
近年来,计算机视觉与机器人领域出现了多种基于学习的方法。近期提出的方法大多基于深度学习,与传统方法相比需要极大量的数据。深度学习方法的性能在很大程度上依赖于其训练所使用的数据分布,因此在训练时使用来自机器人实际运行域的数据十分重要。因而,在真实环境中部署机器人时无法依赖预先构建的通用数据集,这就产生了在特定运行条件下高效采集与标注数据的需求。由此带来的挑战是:如何将获取此类数据集的成本降低到可轻松在新条件、新环境中部署机器人并支持新传感器的程度?作为回应,我们提出了一种基于SLAM、三维重建与三维到二维几何的数据标注流程。该流程可创建三维与二维边界框,以及对任意物体的逐像素标注,且无需在数据采集与标注前具备物体的精确三维模型。我们的结果显示,在多种物体与场景下语义分割与二维边界框检测的Intersection-over-Union (IoU)一致性接近90%,同时相比传统人工标注将标注过程加速了数个数量级。
引用
@article{arxiv.2109.07165,
title = {3D Annotation Of Arbitrary Objects In The Wild},
author = {Kenneth Blomqvist and Julius Hietala},
journal= {arXiv preprint arXiv:2109.07165},
year = {2024}
}
备注
6 pages, 4 figures. This work has been submitted to the IEEE for possible publication