具有预测不确定性的椭圆回归用于精确多视角三维物体估计
计算机视觉与模式识别
2021-01-14 v1 机器人学
摘要
基于卷积神经网络(CNN)的架构,如Mask R-CNN,构成了目标检测与分割的最先进水平。近来,这些方法已扩展至基于模型的分割,其中网络直接输出几何模型(如椭圆)的参数。本文考虑三维模型可表示为椭球体的物体。我们提出Mask R-CNN的一种变体,通过分割每个物体并精确回归投影椭圆的参数来估计椭球物体的参数。我们表明模型回归对底层遮挡场景敏感,且每个物体的预测质量需单独表征以实现精确的三维物体估计。我们提出一种新颖的椭圆回归损失,可学习偏移参数及其不确定性,并量化每个椭圆的整体几何检测质量。这些值进而使我们能够以原则性方式融合多视角检测,获得三维椭球参数。在合成与真实数据集上的实验定量表明,与以往最先进方法相比,我们所提方法在重度遮挡下估计三维物体具有高精度。
引用
@article{arxiv.2101.05212,
title = {Ellipse Regression with Predicted Uncertainties for Accurate Multi-View 3D Object Estimation},
author = {Wenbo Dong and Volkan Isler},
journal= {arXiv preprint arXiv:2101.05212},
year = {2021}
}
备注
9 pages, 9 figures