面向立体3D目标跟踪的联合时空优化
计算机视觉与模式识别
2020-04-21 v1
摘要
直接从序列图像学习多个3D物体运动较为困难，而几何束调整缺乏定位不可见物体中心的能力。为同时受益于深度神经网络强大的物体理解能力并解决精确几何建模以实现一致轨迹估计，我们提出了一种基于联合时空优化的立体3D目标跟踪方法。从网络中，我们在相邻图像上检测对应的2D边界框并回归初始3D边界框。随后使用基于区域的网络预测与物体中心关联的密集物体线索（局部深度和局部坐标）。考虑到瞬时定位精度与运动一致性，我们的优化将物体中心与观测线索之间的关系建模为一个联合时空误差函数。所有历史线索将通过逐帧边缘化策略被汇总以贡献于当前估计，而无需重复计算。在KITTI跟踪数据集上的定量评估表明，我们的方法以显著优势优于先前基于图像的3D跟踪方法。我们还报告了在多个类别及更大数据集（KITTI raw和Argoverse Tracking）上的广泛结果，以供未来基准测试。
引用
@article{arxiv.2004.09305,
title = {Joint Spatial-Temporal Optimization for Stereo 3D Object Tracking},
author = {Peiliang Li and Jieqi Shi and Shaojie Shen},
journal= {arXiv preprint arXiv:2004.09305},
year = {2020}
}
备注
cvpr2020