SNE-RoadSeg+：重新思考自由空间检测中的深度-法线转换与深度监督
计算机视觉与模式识别
2021-09-21 v2 机器人学
摘要
自由空间检测是自动驾驶感知的基本组成部分。近来，深度卷积神经网络（DCNNs）在该任务上取得了令人印象深刻的性能。特别是我们此前提出的基于表面法线估计器（SNE）与数据融合 DCNN（RoadSeg）的方法 SNE-RoadSeg，已在自由空间检测中取得优异表现。然而，SNE-RoadSeg 计算密集，难以实时运行。为解决此问题，我们引入 SNE-RoadSeg+，即 SNE-RoadSeg 的升级版本。SNE-RoadSeg+ 包含：1）SNE+，一个用于更精确表面法线估计的模块；2）RoadSeg+，一个借助深度监督可大幅最小化精度与效率之间权衡的数据融合 DCNN。大量实验结果证明了我们的 SNE+ 在表面法线估计上的有效性，以及我们的 SNE-RoadSeg+ 优于所有其他自由空间检测方法的表现。具体而言，我们的 SNE-RoadSeg+ 可实时运行，同时在 KITTI 道路基准上取得了最先进的性能。我们的项目页面位于 https://www.sne-roadseg.site/sne-roadseg-plus。
引用
@article{arxiv.2107.14599,
title = {SNE-RoadSeg+: Rethinking Depth-Normal Translation and Deep Supervision for Freespace Detection},
author = {Hengli Wang and Rui Fan and Peide Cai and Ming Liu},
journal= {arXiv preprint arXiv:2107.14599},
year = {2021}
}
备注
Fix a mistake in Equation 3. 7 pages, 5 figures and 2 tables. This paper is accepted by IROS 2021