高效运动分割的通道级运动特征

在以自动驾驶等安全关键机器人应用中，实时准确检测所有所需目标至为重要。运动分割通过以无类别方式识别场景中的动态目标，提供了解决方案。近期提出的各种运动分割模型大多同时使用子网络估计深度、姿态、光流和场景流，导致模型整体计算成本升高，阻碍实时性能。本文提出一种新颖的基于体积的运动特征表示方法——通道级运动特征（Channel-wise Motion Features）。该方法通过提取特征图中每个实例的深度特征并捕获场景的 3D 运动信息，实现了性能提升。构建通道级运动特征仅需运动网络子网络，无需其他子网络。我们的方法在 KITTI 数据集和 Cityscapes 上实现的帧率约为当前最先进模型的 4 倍，同时在 VCAS-Motion 数据集上表现出等效精度，参数约降至 25%。