端到端学习改进单目视频中静态对象的地理定位

从自动驾驶汽车的运动相机中准确估计交通灯等静态对象的位置是一个具有挑战性的问题。在本工作中，我们提出了一个通过学习的联合优化系统各组件来改进静态对象定位的系统。我们的系统由执行以下任务的网络组成：1) 从单幅图像进行 5DoF 对象位姿估计，2) 帧对之间的对象关联，以及 3) 多对象跟踪以产生场景中静态对象的最终地理定位。我们使用公开可用的数据集评估我们的方法，由于数据可用性，重点关注交通灯。对于每个组件，我们与当代替代方案进行比较，并展示出显著改进的性能。我们还展示了通过组成模型的联合训练可进一步改进端到端系统性能。