从立体视频中学习作为动态运动的残差流
计算机视觉与模式识别
2019-09-17 v1
摘要
我们提出一种方法，将移动立体装置观测到的 3D 场景流分解为静止场景元素和动态物体运动。我们的无监督学习框架联合推断相机运动、光流和移动物体的 3D 运动。三个协作网络预测立体匹配、相机运动和残差流，其中残差流表示由物体运动而非相机运动产生的流分量。基于刚性投影几何，估计的立体深度用于引导相机运动估计，而深度和相机运动用于引导残差流估计。我们还基于残差流和场景深度显式估计动态物体的 3D 场景流。在 KITTI 数据集上的实验证明了我们方法的有效性，并表明我们的方法在光流和视觉里程计任务上优于其他最先进的算法。
引用
@article{arxiv.1909.06999,
title = {Learning Residual Flow as Dynamic Motion from Stereo Videos},
author = {Seokju Lee and Sunghoon Im and Stephen Lin and In So Kweon},
journal= {arXiv preprint arXiv:1909.06999},
year = {2019}
}
备注
IROS 2019. https://sites.google.com/site/seokjucv/