BlindSpotNet：看见我们无法看见之处
计算机视觉与模式识别
2022-07-11 v1
摘要
我们引入 2D 盲点估计作为道路场景理解的一项关键视觉任务。通过自动检测从车辆视角被遮挡的道路区域，我们可以主动向人类驾驶员或自动驾驶系统预警潜在事故原因（例如，提请注意可能有儿童突然冲出的道路区域）。在完整 3D 中检测盲点将极具挑战性，因为即便车辆配备 LiDAR，实时 3D 推理也过于昂贵且易错。我们转而提出从单目相机学习估计 2D 盲点。我们分两步实现。首先，我们引入一种自动方法，通过利用单目深度估计、语义分割和 SLAM，为任意驾驶视频生成“真实”盲点训练数据。其核心思想是从 2D 图像中进行 3D 推理，将盲点定义为当前不可见但在近未来变得可见的那些道路区域。我们用此自动离线盲点估计构建了一个大规模数据集，称之为道路盲点（RBS）数据集。接着，我们引入 BlindSpotNet（BSN），一个简单网络，充分利用该数据集对任意驾驶视频进行逐帧盲点概率图的全自动估计。大量实验结果证明了我们 RBS 数据集的有效性及 BSN 的效用。
引用
@article{arxiv.2207.03870,
title = {BlindSpotNet: Seeing Where We Cannot See},
author = {Taichi Fukuda and Kotaro Hasegawa and Shinya Ishizaki and Shohei Nobuhara and Ko Nishino},
journal= {arXiv preprint arXiv:2207.03870},
year = {2022}
}