从立体图像学习无碰撞空间检测：单应矩阵带来更好的数据增强
机器人学
2021-03-16 v3 计算机视觉与模式识别
摘要
无碰撞空间检测是自动驾驶车辆感知的关键组成部分。最先进的算法通常基于监督学习。此类方法的性能始终依赖于标注训练数据的质量和数量。此外，仅使用少量训练样本训练深度卷积神经网络（DCNNs）仍是一个开放性挑战。因此，本文主要探索一种有效的训练数据增强方法，可在获得从不同视角捕获的额外图像时，用于提升 DCNN 整体性能。由于从不同视角捕获的两幅图像间无碰撞空间（通常视为平面）的像素可通过单应矩阵建立关联，目标图像的场景可变换至参考视角。这提供了一种简单而有效的方式，从额外的多视角图像生成训练数据。在三个数据集上使用六种最先进的语义分割 DCNN 进行的广泛实验结果，证明了我们所提出的训练数据增强算法在提升无碰撞空间检测性能方面的有效性。在 KITTI 道路基准上验证时，我们的方法为基于立体视觉的无碰撞空间检测提供了最佳结果。
引用
@article{arxiv.2012.07890,
title = {Learning Collision-Free Space Detection from Stereo Images: Homography Matrix Brings Better Data Augmentation},
author = {Rui Fan and Hengli Wang and Peide Cai and Jin Wu and Mohammud Junaid Bocus and Lei Qiao and Ming Liu},
journal= {arXiv preprint arXiv:2012.07890},
year = {2021}
}
备注
accepted to IEEE/ASME Transactions on Mechatronics