用于地面地形识别的深度纹理流形
计算机视觉与模式识别
2018-04-04 v2
摘要
我们提出了一种称为深度编码池化网络（DEP）的纹理网络，用于地面地形识别任务。地面地形识别对于建立机器人或车辆控制参数以及在户外环境中进行定位是一项重要任务。DEP 的架构整合了无序纹理细节和局部空间信息，其性能超越了该任务的现有方法。GTOS 数据库（包含超过 30,000 张户外场景中 40 类地面地形的图像）支持有监督识别。为了在现实条件下进行评估，我们使用的测试图像并非来自现有的 GTOS 数据集，而是来自手持手机拍摄的类似地形的视频。这个新的评估数据集 GTOS-mobile 包含 31 类地面地形（如草地、碎石、沥青和沙子）的 81 个视频。最终的网络不仅在 GTOS-mobile 上表现出色，而且在更通用的数据库（MINC 和 DTD）上也表现优异。利用从该网络学习到的判别特征，我们构建了一个名为 DEP-manifold 的新纹理流形。我们以完全有监督的方式在特征空间中学习参数分布，这给出了各类别之间的距离关系，并提供了一种隐式表示模糊类别边界的方法。源代码和数据库已公开。
引用
@article{arxiv.1803.10896,
title = {Deep Texture Manifold for Ground Terrain Recognition},
author = {Jia Xue and Hang Zhang and Kristin Dana},
journal= {arXiv preprint arXiv:1803.10896},
year = {2018}
}