SIGNet：语义实例辅助的无监督三维几何感知
计算机视觉与模式识别
2019-04-08 v2
摘要
用于几何感知（深度、光流等）的无监督学习对自主系统极具意义。近期的无监督学习工作在几何感知上取得了可观进展；然而，它们通常忽略物体的连贯性，且在黑暗和噪声环境下表现不佳。相比之下，有监督学习算法虽鲁棒，却需要大量带标注的几何数据集。本文提出 SIGNet，一种无需几何信息标注即可提供鲁棒几何感知的新颖框架。具体而言，SIGNet 整合语义信息，使深度和光流预测与物体一致且对低光照条件鲁棒。结果表明，SIGNet 在深度预测上将最先进的无监督学习方法的性能提升了 30%（以平方相对误差计）。特别地，SIGNet 在深度预测上将动态物体类的性能提升了 39%，在光流预测上提升了 29%。我们的代码将发布于 https://github.com/mengyuest/SIGNet
引用
@article{arxiv.1812.05642,
title = {SIGNet: Semantic Instance Aided Unsupervised 3D Geometry Perception},
author = {Yue Meng and Yongxi Lu and Aman Raj and Samuel Sunarjo and Rui Guo and Tara Javidi and Gaurav Bansal and Dinesh Bharadia},
journal= {arXiv preprint arXiv:1812.05642},
year = {2019}
}
备注
To appear at CVPR 2019