PerMO：从单幅图像一次性感知更多用于自动驾驶
计算机视觉与模式识别
2020-07-17 v1
摘要
我们提出了一种从单幅图像检测、分割并重建带纹理完整车辆三维模型的新方法，用于自动驾驶。我们的方法结合了深度学习的优势与基于部件的形变模型表示的优雅传统技术，在严重遮挡下生成高质量三维模型。我们提出了一种新的基于部件的形变车辆模型，用于实例分割，并自动生成包含二维图像与三维模型间稠密对应的数据集。我们还提出了一种新颖的端到端深度神经网络来预测稠密二维/三维映射，并阐明了其优势。基于该稠密映射，我们能够在消费级GPU上以近乎交互的速率计算精确的6-DoF位姿与三维重建结果。我们已将这些算法集成到自动驾驶系统中。实践中，我们的方法在所有主要车辆解析任务上均优于SOTA方法：二维实例分割高出4.4点（mAP），6-DoF位姿估计高出9.11点，三维检测高出1.37。此外，我们已在Github上发布所有源代码、数据集及训练好的模型。
引用
@article{arxiv.2007.08116,
title = {PerMO: Perceiving More at Once from a Single Image for Autonomous Driving},
author = {Feixiang Lu and Zongdai Liu and Xibin Song and Dingfu Zhou and Wei Li and Hui Miao and Miao Liao and Liangjun Zhang and Bin Zhou and Ruigang Yang and Dinesh Manocha},
journal= {arXiv preprint arXiv:2007.08116},
year = {2020}
}