基于 CNN 利用气泡数据库迁移学习的水下稠密三维场景重建
计算机视觉与模式识别
2018-11-27 v1
摘要
游泳人体或活鱼的高稠密三维形状获取是体育、生物科学等领域的重要研究课题。为此，主动立体传感器通常用于空气中，但由于折射、强光衰减和气泡的严重干扰，其无法应用于水下环境。被动立体是水下环境捕获动态场景的简单方案，然而无纹理表面或不规则反射的形状无法被恢复。近来，提出了带有图案投影仪以在物体上添加人工纹理的立体相机对。然而，要将该系统用于水下环境，需补偿若干问题，即波动和气泡的干扰。简单的解决方案是使用卷积神经网络（CNN）进行立体匹配以消除气泡和/或水波动的影响。由于用小规模且大变化的数据库训练 CNN 并不容易，我们开发了一种特殊气泡生成装置，以高效创建多尺寸和多密度的真实气泡数据库。此外，我们提出了一种用于多尺度 CNN 的迁移学习技术，以有效去除物体上的气泡和投影图案。进一步地，我们开发了真实系统并实际捕获了活体游泳人体，这是此前未曾实现的。实验表明，与当前最优（SOTA）技术相比，我们的方法具有有效性。
引用
@article{arxiv.1811.09675,
title = {CNN based dense underwater 3D scene reconstruction by transfer learning using bubble database},
author = {Kazuto Ichimaru and Ryo Furukawa and Hiroshi Kawasaki},
journal= {arXiv preprint arXiv:1811.09675},
year = {2018}
}
备注
IEEE Winter Conference on Applications of Computer Vision. arXiv admin note: text overlap with arXiv:1808.08348