基于稠密CRF公式的语义运动分割
计算机视觉与模式识别
2015-04-27 v1
摘要
尽管文献在场景理解和语义标注领域已相当丰富，但利用运动线索来提升语义性能以及反之的研究很少。本文中，我们解决语义运动分割问题，并展示语义与运动先验如何增强性能。我们提出一种联合推断物体的语义类别和运动标签的算法。通过将语义、几何和基于光流（optical flow）的约束整合进稠密CRF模型中，我们对每个像素推断物体类别以及运动类别。我们发现使用全连接CRF相比标准的基于团（clique）的CRF性能有所提升。对于推断，我们使用基于平均场（Mean Field）近似的算法。我们的方法胜过了最近提出的运动检测算法，并且与最先进的Automatic Labeling Environment算法相比，在具有挑战性的KITTI数据集上改进了语义标注，特别是对于行人和汽车等对于室外机器人导航场景至关重要的物体类别。
引用
@article{arxiv.1504.06587,
title = {Semantic Motion Segmentation Using Dense CRF Formulation},
author = {N. Dinesh Reddy and Prateek Singhal and K. Madhava Krishna},
journal= {arXiv preprint arXiv:1504.06587},
year = {2015}
}