基于遮挡引导的自监督三维点云场景流估计
计算机视觉与模式识别
2021-10-19 v2
摘要
理解两个连续时间帧之间稀疏采样点在三维空间中的流动是现代几何驱动系统（如 VR/AR、机器人与自动驾驶）的基石。该任务缺乏真实的、非仿真的标注数据，这凸显了自监督或无监督深度架构的重要性。本工作提出了一种用于遮挡下三维场景流估计的新自监督训练方法与架构。我们在此表明，流预测与遮挡检测之间的智能多层融合在遮挡与非遮挡场景下均以较大优势优于传统架构。我们在 Flyingthings3D 与 KITTI 数据集上报告了监督与自监督训练的最先进结果。
引用
@article{arxiv.2104.04724,
title = {Occlusion Guided Self-supervised Scene Flow Estimation on 3D Point Clouds},
author = {Bojun Ouyang and Dan Raviv},
journal= {arXiv preprint arXiv:2104.04724},
year = {2021}
}
备注
Accepted at 3DV 2021 (Poster)