PlaneSegNet：基于单阶段实例分割CNN的快速鲁棒平面估计
计算机视觉与模式识别
2021-03-30 v1 机器人学
摘要
室内场景中平面区域的实例分割有益于视觉SLAM及其他需要场景理解的应用，如增强现实（AR）。基于两阶段框架的现有方法表现出令人满意的精度，但受限于较低的帧率。在本工作中，我们提出了一种实时深度神经架构，可从单张RGB图像估计分段平面区域。我们的模型采用一种快速单阶段CNN架构的变体来分割平面实例。考虑到所检测目标的特殊性，我们提出了快速特征非极大值抑制（FF-NMS）以减少平面重叠边界框导致的抑制误差。我们还在特征金字塔网络（FPN）中使用了残差特征增强模块。与两阶段方法相比，我们的方法实现了显著更高的帧率与可媲美的分割精度。我们从Stanford 2D-3D-Semantics数据集中自动标注了超过70,000张图像作为真值。此外，我们将我们的方法与一个最先进的平面SLAM相结合，并验证了其益处。
引用
@article{arxiv.2103.15428,
title = {PlaneSegNet: Fast and Robust Plane Estimation Using a Single-stage Instance Segmentation CNN},
author = {Yaxu Xie and Jason Rambach and Fangwen Shu and Didier Stricker},
journal= {arXiv preprint arXiv:2103.15428},
year = {2021}
}
备注
accepted to ICRA 2021