面向自动驾驶的自监督柱状运动学习
计算机视觉与模式识别
2021-04-20 v1
摘要
在高度动态环境中与多样化交通参与者交互时，自动驾驶可从运动行为理解中获益。近来，直接从点云估计类别无关运动的研究兴趣日益增长。当前的运动估计方法通常需要来自自动驾驶场景的大量标注训练数据。然而，人工标注点云以困难、易错和耗时而著称。本文中，我们试图回答以下研究问题：能否利用丰富的无标注数据收集来实现准确且高效的运动学习？为此，我们提出了一种学习框架，利用点云与配对相机图像提供的免费监督信号，通过纯自监督方式估计运动。我们的模型引入了基于点云的结构一致性并辅以概率运动掩码，以及跨传感器运动正则化，以实现所需的自监督。实验表明，我们的方法与有监督方法相比具有竞争力，并且将自监督模型与有监督微调结合时取得了最先进的结果。
引用
@article{arxiv.2104.08683,
title = {Self-Supervised Pillar Motion Learning for Autonomous Driving},
author = {Chenxu Luo and Xiaodong Yang and Alan Yuille},
journal= {arXiv preprint arXiv:2104.08683},
year = {2021}
}
备注
cvpr2021