用于高效深度补全的分割引导域适应
计算机视觉与模式识别
2022-12-15 v2 机器学习
摘要
完整的深度信息与高效的估计器已成为自动驾驶任务中场景理解的关键要素。基于LiDAR的深度补全的一个主要问题是,由于非相干信息的缺失——正如不相关的LiDAR点云稀疏性所提供的那样——卷积的低效利用,这常导致复杂且耗费资源的网络。监督训练所需深度数据的昂贵获取进一步加剧了该问题。在本工作中,我们提出了一种基于vgg05类CNN架构的高效深度补全模型,并提出了一种半监督域适应方法,将知识从合成数据迁移到真实世界数据,以提高数据效率并减少对大型数据库的需求。为增强空间相干性,我们利用分割作为附加信息源来引导学习过程。我们方法的高效与准确性在KITTI数据集上进行了评估。我们的方法在先前高效且低参数的最先进(state of the art)方法上有所改进,同时具有明显更低的计算占用。
引用
@article{arxiv.2210.09213,
title = {Segmentation-guided Domain Adaptation for Efficient Depth Completion},
author = {Fabian Märkert and Martin Sunkel and Anselm Haselhoff and Stefan Rudolph},
journal= {arXiv preprint arXiv:2210.09213},
year = {2022}
}