EV-IMO：面向事件相机的运动分割数据集与学习流水线
计算机视觉与模式识别
2020-01-14 v2
摘要
我们提出了首个基于事件的运动分割室内场景学习方法，以及首个基于事件的数据集——EV-IMO——其包含准确的像素级运动掩码、自运动与真实深度。我们的方法基于在事件数据上使用低参数量神经网络架构对 SfM 学习流水线的高效实现。除相机自运动和稠密深度图外，该网络估计像素级独立运动物体分割并计算运动物体的逐物体 3D 平移速度。我们还训练了一个仅有 40k 参数的浅层网络，其能够计算深度和自运动。我们的 EV-IMO 数据集包含 32 分钟的室内录制，相机视场中最多同时有 3 个快速运动物体。物体与相机由 VICON 动作捕捉系统跟踪。通过对房间和物体进行 3D 扫描，获得了可靠的真实深度图地面实况与像素级物体掩码，即使在弱光照条件和快速运动期间也可靠。随后我们在 EV-IMO 上训练并评估我们的学习流水线，证明我们的方法远超竞争对手，并且非常适合于受场景约束的机器人应用。
引用
@article{arxiv.1903.07520,
title = {EV-IMO: Motion Segmentation Dataset and Learning Pipeline for Event Cameras},
author = {Anton Mitrokhin and Chengxi Ye and Cornelia Fermuller and Yiannis Aloimonos and Tobi Delbruck},
journal= {arXiv preprint arXiv:1903.07520},
year = {2020}
}
备注
8 pages, 6 figures. Submitted to 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2019)