面向道路感知的单目运动恢复结构与单应性估计
计算机视觉与模式识别
2021-12-17 v1
摘要
运动恢复结构（SFM）与地面平面单应性估计对自动驾驶及其他机器人应用至关重要。近年来，在使用深度神经网络分别进行SFM与单应性估计方面已取得诸多进展。然而，由于道路通常只是场景的一小部分，直接应用现有方法进行地面平面单应性估计可能会失败。此外，深度SFM方法的性能仍逊于传统方法。本文提出一种以端到端方式同时学习解决这两个问题的方法，在两者上均提升性能。所提网络由Depth-CNN、Pose-CNN和Ground-CNN组成。Depth-CNN与Pose-CNN分别估计稠密深度图与自运动以求解SFM，而Pose-CNN与Ground-CNN后接一个单应性层求解地面平面估计问题。通过强制SFM与单应性估计结果之间的一致性，整个网络可使用光度损失与单应性损失进行端到端训练，除现成分割器提供的道路分割外无需任何真值。在KITTI基准上进行了综合实验，与多种最先进方法相比展示了有前景的结果。
引用
@article{arxiv.2112.08635,
title = {Road-aware Monocular Structure from Motion and Homography Estimation},
author = {Wei Sui and Teng Chen and Jiaxin Zhang and Jiao Lu and Qian Zhang},
journal= {arXiv preprint arXiv:2112.08635},
year = {2021}
}
备注
10 pages