被分散注意力：用于城市环境中鲁棒单目视觉里程计的自监督干扰物学习
机器人学
2018-03-06 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
我们提出了一种自监督方法，用于在相机图像中忽略“干扰物”，以便在杂乱的城市环境中鲁棒地估计车辆运动。我们利用离线多会话建图方法为每幅输入图像自动生成逐像素瞬时性掩码和深度图，并用以训练一个深度卷积网络。在运行时，我们将预测的瞬时性和深度作为单目视觉里程计（VO）流水线的输入，使用稀疏特征或稠密光度匹配。我们的方法仅使用单个相机即可产生度量尺度 VO，且即使图像90%被动态、独立运动的物体遮挡也能恢复正确的自运动。我们在 Oxford RobotCar Dataset 超过400 km 的驾驶数据上评估了鲁棒 VO 方法，并证明在城市场景中存在大型移动车辆时，里程计漂移减小且自运动估计显著改善。
引用
@article{arxiv.1711.06623,
title = {Driven to Distraction: Self-Supervised Distractor Learning for Robust Monocular Visual Odometry in Urban Environments},
author = {Dan Barnes and Will Maddern and Geoffrey Pascoe and Ingmar Posner},
journal= {arXiv preprint arXiv:1711.06623},
year = {2018}
}
备注
International Conference on Robotics and Automation (ICRA), 2018. Video summary: http://youtu.be/ebIrBn_nc-k