SceneEDNet：一种用于场景流估计的深度学习方法
计算机视觉与模式识别
2019-04-26 v1 计算几何
机器学习
机器人学
摘要
由于其在机器人领域的潜在应用，RGB-D 视频中的场景流估计正引起计算机视觉研究人员的浓厚兴趣。最先进的场景流估计技术通常依赖于帧的场景结构知识和帧间对应关系。然而，随着由 Microsoft Kinect 等复杂传感器捕获的 RGB-D 数据量的增加，以及近期复杂深度学习技术领域的进展，引入一种高效的深度学习技术用于场景流估计正变得重要。本文首次尝试应用深度学习方法通过提出一种带有编码器-解码器（ED）架构的全卷积神经网络来直接估计场景流。所提出的网络 SceneEDNet 涉及从立体图像序列中估计所有场景点的三维运动向量。直接估计场景流的训练使用连续的立体图像对及对应的场景流真值完成。所提架构在一个大型数据集上应用并给出了有意义的结果。
引用
@article{arxiv.1807.03464,
title = {SceneEDNet: A Deep Learning Approach for Scene Flow Estimation},
author = {Ravi Kumar Thakur and Snehasis Mukherjee},
journal= {arXiv preprint arXiv:1807.03464},
year = {2019}
}