基于深度学习技术提升单目深度估计以用于自主导航
计算机视觉与模式识别
2021-01-01 v2 机器学习
机器人学
摘要
推断图像深度是计算机视觉领域一个基础的反问题，因为深度信息是通过 2D 图像获得的，而后者可由无限多种观测真实场景生成。受益于卷积神经网络（CNNs）在探索结构特征与空间图像信息方面的进展，单图像深度估计（SIDE）常在科技创新范畴内受到重视，因为该概念具有实现成本低且对环境条件鲁棒的优势。在自动驾驶车辆的语境下，最先进的 CNNs 通过生成高质量深度图来优化 SIDE 任务，这些深度图在不同地点的自主导航过程中至关重要。然而，此类网络通常由来自光探测与测距（LiDAR）激光扫描的稀疏且含噪的深度数据监督，并以高计算成本执行，需要高性能图形处理单元（GPUs）。因此，我们提出了一种轻量且快速的监督式 CNN 架构，结合专为真实世界自主导航设计的新型特征提取模型。我们还引入了高效的表面法线模块，以及简单的几何 2.5D 损失函数，以求解 SIDE 问题。我们还通过融入多种深度学习技术进行创新，例如使用稠密化算法以及额外的语义、表面法线和深度信息来训练我们的框架。本工作所引入的方法聚焦于室内外环境中的机器人应用，其结果在具有竞争力且公开可用的 NYU Depth V2 和 KITTI Depth 数据集上进行了评估。
引用
@article{arxiv.2010.06626,
title = {On Deep Learning Techniques to Boost Monocular Depth Estimation for Autonomous Navigation},
author = {Raul de Queiroz Mendes and Eduardo Godinho Ribeiro and Nicolas dos Santos Rosa and Valdir Grassi},
journal= {arXiv preprint arXiv:2010.06626},
year = {2021}
}
备注
29 pages, 16 figures. Preprint published in the Elsevier's Robotics and Autonomous Systems journal on November 23, 2020