基于条件代价体归一化立体匹配网络的 3D LiDAR 与立体视觉融合
计算机视觉与模式识别
2019-04-08 v1
摘要
主动与被动深度感知技术的互补特性促使我们将 LiDAR 传感器与立体相机融合以提升深度感知。我们没有直接跨 LiDAR 与立体模态融合估计深度，而是利用带有两项增强技术的立体匹配网络：基于 LiDAR 信息的输入融合与条件代价体归一化 (CCVNorm)。所提框架具有通用性，并与立体匹配神经网络中常用的代价体组件紧密集成。我们在 KITTI Stereo 与 Depth Completion 数据集上实验验证了方法的有效性与鲁棒性，相较多种融合策略取得了更优性能。此外，我们证明通过对 CCVNorm 的分层扩展，所提方法仅给立体匹配网络带来极小的计算时间与模型尺寸开销。项目主页见 https://zswang666.github.io/Stereo-LiDAR-CCVNorm-Project-Page/
引用
@article{arxiv.1904.02917,
title = {3D LiDAR and Stereo Fusion using Stereo Matching Network with Conditional Cost Volume Normalization},
author = {Tsun-Hsuan Wang and Hou-Ning Hu and Chieh Hubert Lin and Yi-Hsuan Tsai and Wei-Chen Chiu and Min Sun},
journal= {arXiv preprint arXiv:1904.02917},
year = {2019}
}
备注
ver.1