面向室内场景分析的高效RGB-D语义分割
计算机视觉与模式识别
2021-04-08 v3 机器学习
机器人学
摘要
对场景进行全面分析对于在不同环境中作业的移动机器人至关重要。语义分割能够增强多种后续任务，例如（语义辅助的）行人感知、（语义）自由空间检测、（语义）建图以及（语义）导航。本文提出一种高效且鲁棒的RGB-D分割方法，该方法可使用NVIDIA TensorRT进行高度优化，因此非常适合作为移动机器人复杂场景分析系统中的通用初始处理步骤。我们表明，RGB-D分割优于仅处理RGB图像，并且在网络架构经过精心设计的情况下仍可实现实时运行。我们在常见的室内数据集NYUv2和SUNRGB-D上评估了所提出的Efficient Scene Analysis Network (ESANet)，结果表明我们在实现更快推理的同时达到了state-of-the-art性能。此外，我们在室外数据集Cityscapes上的评估表明，我们的方法也适用于其他应用领域。最后，我们不仅给出了基准测试结果，还在我们的一个室内应用场景中展示了定性结果。
引用
@article{arxiv.2011.06961,
title = {Efficient RGB-D Semantic Segmentation for Indoor Scene Analysis},
author = {Daniel Seichter and Mona Köhler and Benjamin Lewandowski and Tim Wengefeld and Horst-Michael Gross},
journal= {arXiv preprint arXiv:2011.06961},
year = {2021}
}
备注
To be published in IEEE International Conference on Robotics and Automation (ICRA) 2021; fixed reference in Fig. 4