长程立体匹配中偏置的调整：一种语义引导方法
计算机视觉与模式识别
2020-11-11 v2
摘要
立体视觉通常涉及像素对应计算以及校正图像对间视差的估计。在包括同步定位与建图（SLAM）和 3D 目标检测在内的许多应用中，主要需要视差来计算深度值，且深度估计的精度往往比视差估计更为关键。然而，视差估计的精度并不直接转化为深度估计的精度，尤其是对于远处物体。在基于学习的立体系统中，这很大程度上源于基于视差损失函数选择与训练数据所施加的偏置。因此，学习算法常对前景物体产生不可靠的深度估计，特别是在大距离（>50 m）处。为解决此问题，我们首先分析了这些偏置的影响，随后分别针对前景与背景提出了一对新颖的基于深度的损失函数。这些损失函数可调，并能平衡立体学习算法的固有偏置。我们解决方案的有效性通过一组广泛的实验得到证明，并与当前最优（SOTA）方法进行基准比较。在 KITTI 2015 基准上，我们表明所提方案在视差与深度估计上取得显著提升，尤其对距离超过 50 米的物体，以 10% 优于先前 SOTA。
引用
@article{arxiv.2009.04629,
title = {Adjusting Bias in Long Range Stereo Matching: A semantics guided approach},
author = {WeiQin Chuah and Ruwan Tennakoon and Reza Hoseinnezhad and Alireza Bab-Hadiashar and David Suter},
journal= {arXiv preprint arXiv:2009.04629},
year = {2020}
}
备注
10 pages, 8 figures