方差条件下基于卷积神经网络的单应性估计
计算机视觉与模式识别
2020-10-23 v2
摘要
平面单应性估计是许多计算机视觉问题的基础,如同步定位与建图(SLAM)和增强现实(AR)。然而,高方差条件甚至令最先进算法也受困扰。在本报告中,我们分析了两种近期发表的、使用卷积神经网络(CNNs)的方法的性能,这些方法旨在替代更传统的基于特征匹配的单应性估计方法。我们对基于CNN的方法的评估特别关注于在显著噪声、光照偏移和遮挡条件下测量性能。我们还度量了将CNN训练至不同程度噪声的益处。此外,我们比较了使用彩色图像而非灰度图像作为CNN输入的效应。最后,我们将结果与使用SIFT、SURF和ORB的基线基于特征匹配的单应性估计方法进行比较。我们发现CNN可被训练得对噪声更鲁棒,但在无噪声情况下以微小的精度损失为代价。此外,CNN在极端方差条件下的表现显著优于其基于特征匹配的对应方法。关于彩色输入,我们得出结论:在不改变CNN架构以利用色彩平面中额外信息的情况下,使用彩色或灰度输入的性能差异可忽略。关于用噪声损坏输入训练的CNN,我们展示将CNN训练至特定噪声幅度会导致一个关于该CNN表现最佳的噪声水平的“Goldilocks Zone”(恰宜区)。
引用
@article{arxiv.2010.01041,
title = {Homography Estimation with Convolutional Neural Networks Under Conditions of Variance},
author = {David Niblick and Avinash Kak},
journal= {arXiv preprint arXiv:2010.01041},
year = {2020}
}
备注
9 pages, 16 figures, submitted to 2020 Computer Vision and Pattern Recognition Conference