用于 RGB-D 分割的深度感知 CNN

Weiyue Wang; Ulrich Neumann

用于 RGB-D 分割的深度感知 CNN

计算机视觉与模式识别 2018-03-20 v1

作者: Weiyue Wang , Ulrich Neumann

摘要

由于固定的网格核结构，卷积神经网络 (CNN) 缺乏处理几何信息的能力。深度数据的可用性推动了基于 CNN 的 RGB-D 语义分割的进展。现有 SOTA 方法要么将深度作为附加图像使用，要么在 3D 体素或点云中处理空间信息。这些方法存在计算和内存成本高的问题。为了解决这些问题，我们通过引入两种直观、灵活且有效的操作——深度感知卷积和深度感知平均池化，提出了 Depth-aware CNN。通过在信息传播过程中利用像素间的深度相似性，几何信息被无缝地融入 CNN 中。在无需引入任何额外参数的情况下，这两个算子均可轻松集成到现有的 CNN 中。在具有挑战性的 RGB-D 语义分割基准上的大量实验与消融研究验证了我们方法的有效性与灵活性。

关键词

RGB-D 分割深度感知 CNN 卷积神经网络语义分割深度感知卷积深度感知平均池化

引用

@article{arxiv.1803.06791,
  title  = {Depth-aware CNN for RGB-D Segmentation},
  author = {Weiyue Wang and Ulrich Neumann},
  journal= {arXiv preprint arXiv:1803.06791},
  year   = {2018}
}

用于 RGB-D 分割的深度感知 CNN

摘要

关键词

引用

相关论文