自监督学习语境下立体与单目静止深度估计的融合
计算机视觉与模式识别
2018-03-21 v1 机器人学
摘要
我们研究自主机器人如何通过自主学习来提升其深度估计能力。具体而言，我们探讨了一种自监督学习设置，其中立体视觉深度估计作为卷积神经网络 (CNN) 的目标，该网络将单张静止图像转换为稠密深度图。训练完成后，采用一种新颖的融合方法将立体估计与单目估计进行融合，该方法在保留高置信度立体估计的同时，在低置信度区域利用 CNN 的估计。本文的主要贡献在于证明了融合后的估计比仅使用立体视觉估计具有更高的性能。实验在 KITTI 数据集和 Parrot SLAMDunk 平台上进行，结果表明，即使是相当有限的 CNN 也能帮助配备立体视觉的机器人获取更可靠的深度图，以用于自主导航。
引用
@article{arxiv.1803.07512,
title = {Fusion of stereo and still monocular depth estimates in a self-supervised learning context},
author = {Diogo Martins and Kevin van Hecke and Guido de Croon},
journal= {arXiv preprint arXiv:1803.07512},
year = {2018}
}
备注
To be published at ICRA 2018, 8 pages, 8 figures