SeasonDepth：多环境下跨季节单目深度预测数据集与基准
计算机视觉与模式识别
2023-07-19 v7
摘要
不同环境对长期自动驾驶的户外鲁棒视觉感知提出了巨大挑战，而基于学习的算法在不同环境下的泛化能力仍是一个开放问题。尽管单目深度预测近期已被充分研究，但由于缺乏此类多环境真实世界数据集与基准，极少有工作关注基于学习的深度预测在不同环境（如光照与季节变化）下的鲁棒性。为此，我们引入了首个跨季节单目深度预测数据集与基准 SeasonDepth，以在不同环境下对深度估计性能进行基准测试。我们使用新制定的指标考察了若干最先进的代表性开源监督与自监督深度预测方法。通过在所提数据集上的大量实验评估以及与当前自动驾驶数据集的跨数据集评估，我们从定性与定量角度分析了针对多种环境影响下的性能与鲁棒性。我们表明长期单目深度预测仍具挑战性，并相信我们的工作能推动户外视觉感知长期鲁棒性与泛化能力的进一步研究。数据集发布于 https://seasondepth.github.io，基准工具包发布于 https://github.com/SeasonDepth/SeasonDepth。
引用
@article{arxiv.2011.04408,
title = {SeasonDepth: Cross-Season Monocular Depth Prediction Dataset and Benchmark under Multiple Environments},
author = {Hanjiang Hu and Baoquan Yang and Zhijian Qiao and Shiqi Liu and Jiacheng Zhu and Zuxin Liu and Wenhao Ding and Ding Zhao and Hesheng Wang},
journal= {arXiv preprint arXiv:2011.04408},
year = {2023}
}
备注
Accepted by IROS 2023, 23 pages, 13 figures, 10 tables