超越观测的幻觉生成：利用部分观测与无配对先验知识学习补全
计算机视觉与模式识别
2019-09-09 v2 机器人学
摘要
我们提出一种新颖的单步训练策略，使带有跳跃连接的卷积编解码器网络能够通过幻觉补全部分观测数据。该策略在补全 2-D 道路布局以及 3-D 车辆形状的任务上得到验证。其输入来自一个部分观测域（无可用真值）的数据，以及来自一个无配对先验知识域的数据，并以端到端方式训练网络。我们的单步训练策略与两个最先进的基线进行比较，其一采用两步自编码器训练策略，另一采用对抗策略。我们的新颖策略在 Cityscapes 数据集上取得高达 +12.2% F-measure 的提升。所学网络在未见过的数据集上本质泛化优于基线，这在未见的 KITTI 数据集上高达 +23.8% F-measure 的提升得以证明。此外，在相同骨干网络下，我们的方法在 3-D 形状补全基准上以 0.006 Hamming 距离的差距优于基线。
引用
@article{arxiv.1907.09786,
title = {Hallucinating Beyond Observation: Learning to Complete with Partial Observation and Unpaired Prior Knowledge},
author = {Chenyang Lu and Gijs Dubbelman},
journal= {arXiv preprint arXiv:1907.09786},
year = {2019}
}