迭代式深度单应性估计
计算机视觉与模式识别
2022-03-31 v1
摘要
我们提出迭代单应性网络，即 IHN，一种新型深度单应性估计架构。与以往通过网络级联或不可训练的 IC-LK 迭代器实现迭代细化的工作不同，IHN 的迭代器具有绑定权重且完全可训练。IHN 在包括挑战性场景的多个数据集上达到了 SOTA 精度。我们提出 IHN 的两个版本：（1）面向静态场景的 IHN；（2）面向含运动物体动态场景的 IHN-mov。两版本均可按 1-scale 部署以保效率，或按 2-scale 部署以保精度。我们表明基础 1-scale IHN 已优于多数现有方法。在多种数据集上，2-scale IHN 以大幅优势超越所有对比方法。我们引入 IHN-mov，通过生成内点掩码进一步提升运动物体场景的估计精度。实验表明，IHN 的迭代框架可实现 95% 的误差缩减，同时大幅节省网络参数。在处理连续图像对时，IHN 可达 32.7 fps，约为 IC-LK 迭代器速度的 8 倍。源代码见 https://github.com/imdumpl78/IHN。
引用
@article{arxiv.2203.15982,
title = {Iterative Deep Homography Estimation},
author = {Si-Yuan Cao and Jianxin Hu and Zehua Sheng and Hui-Liang Shen},
journal= {arXiv preprint arXiv:2203.15982},
year = {2022}
}
备注
Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022)