无需深度信息——基于卷积神经网络的越野场景理解中RGB-D特征编码评估
计算机视觉与模式识别
2018-01-08 v1
摘要
面向自动驾驶车辆的场景理解是一项具有挑战性的计算机视觉任务，卷积神经网络（CNNs）的最新进展所取得的成果显著超越了先前的传统特征驱动方法。然而，有限的研究探讨了此类方法在高度非结构化的越野环境或RGBD输入数据上的应用。在本工作中，我们采用一个已有的、用于对城市场景RGB图像进行语义分割的CNN架构，进而调整并重新训练它以使用在一系列挑战性越野条件下获得的具有多通道的RGBD图像执行相同任务。我们比较了两种不同的立体匹配算法和五种不同的深度信息编码方法，包括视差、局部法向方向和HHA（水平视差、离地平面高度、与重力夹角），由此构建了数据集的共十种实验变体，每一种都用于训练和测试一个CNN，从而能够针对使用标准RGB输入训练的CNN评估其分类性能。
引用
@article{arxiv.1801.01235,
title = {Depth Not Needed - An Evaluation of RGB-D Feature Encodings for Off-Road Scene Understanding by Convolutional Neural Network},
author = {Christopher J. Holder and Toby P. Breckon and Xiong Wei},
journal= {arXiv preprint arXiv:1801.01235},
year = {2018}
}