用于栅格地图中动态目标检测的全卷积神经网络
计算机视觉与模式识别
2017-09-12 v1
摘要
栅格地图在机器人学中广泛用于表示环境中的障碍物，而区分动态物体与静态基础设施对于许多实际应用至关重要。在本工作中，我们提出一种方法，使用深度卷积神经网络（CNN）来推断栅格单元是否覆盖移动物体。与使用例如粒子滤波器来估计栅格单元速度并基于该估计对单个栅格单元做出决策的跟踪方法相比，我们的方法将整个栅格地图作为 CNN 的输入图像，该 CNN 检查每个单元周围更大的区域，从而考虑栅格地图中的结构外观来做出决策。与我们的参考方法相比，我们的方案将性能从 83.9% 提升至 97.2%。我们方法的运行时优化版本以仅 10 毫秒的执行时间取得了类似的改进。
引用
@article{arxiv.1709.03139,
title = {Fully Convolutional Neural Networks for Dynamic Object Detection in Grid Maps},
author = {Florian Piewak and Timo Rehfeld and Michael Weber and J. Marius Zöllner},
journal= {arXiv preprint arXiv:1709.03139},
year = {2017}
}
备注
This is a shorter version of the masters thesis of Florian Piewak and it was accapted at IV 2017