Disp R-CNN：基于形状先验引导的实例视差估计的立体三维目标检测
计算机视觉与模式识别
2020-04-08 v1 机器人学
摘要
在本文中，我们提出一个名为 Disp R-CNN 的用于从立体图像进行三维目标检测的新系统。许多近期工作通过先利用视差估计恢复点云再应用三维检测器来解决该问题。视差图是针对整幅图像计算的，这代价高昂且未能利用类别特定的先验。相反，我们设计了一个实例视差估计网络（iDispNet），其仅对感兴趣物体上的像素预测视差，并学习类别特定的形状先验以获得更准确的视差估计。为解决训练中视差标注稀缺带来的挑战，我们提出使用统计形状模型生成稠密视差伪真值，无需 LiDAR 点云，这使我们的系统具有更广泛的适用性。在 KITTI 数据集上的实验表明，即使在训练时不可用 LiDAR 真值，Disp R-CNN 仍取得了有竞争力的性能，并在平均精度上以 20% 的优势超越先前的最先进方法。
引用
@article{arxiv.2004.03572,
title = {Disp R-CNN: Stereo 3D Object Detection via Shape Prior Guided Instance Disparity Estimation},
author = {Jiaming Sun and Linghao Chen and Yiming Xie and Siyu Zhang and Qinhong Jiang and Xiaowei Zhou and Hujun Bao},
journal= {arXiv preprint arXiv:2004.03572},
year = {2020}
}
备注
Accepted to CVPR 2020. Code is available at https://github.com/zju3dv/disprcnn