基于稀疏 SfM 深度先验的 2.5D 车辆分类用于自动收费系统
计算机视觉与模式识别
2018-05-14 v2
摘要
自动收费系统依赖于对过往车辆的恰当分类。当用于分类的图像仅覆盖车辆部分区域时，这尤其困难。为获取整车信息，我们将车辆重建为 3D 对象，并在卷积神经网络（CNN）中利用这一附加信息。然而，当使用深度网络进行 3D 对象分类时，需要大量稠密 3D 模型方能获得良好精度，而这些模型常因内存需求既不可得亦难以处理。因此，在我们的方法中，我们利用重建的点、线或二者将 3D 对象重投影至图像平面。我们在辅助网络分支中利用该稀疏深度先验，其于训练时充当正则化器。我们表明，相较于在真实世界数据集上的 2D 分类，该辅助正则化器有助于提升精度。此外，由于网络设计，测试时仅需 2D 相机图像进行分类，从而使其可用于便携式计算机视觉系统。
引用
@article{arxiv.1805.03511,
title = {Deep 2.5D Vehicle Classification with Sparse SfM Depth Prior for Automated Toll Systems},
author = {Georg Waltner and Michael Maurer and Thomas Holzmann and Patrick Ruprecht and Michael Opitz and Horst Possegger and Friedrich Fraundorfer and Horst Bischof},
journal= {arXiv preprint arXiv:1805.03511},
year = {2018}
}
备注
Submitted to the IEEE International Conference on Intelligent Transportation Systems 2018 (ITSC), 6 pages, 4 figures; changed format in compliance with adapted IEEE template