SpherePHD：在 360 度图像的球面多面体表示上应用 CNN
计算机视觉与模式识别
2019-04-09 v2
摘要
全向相机相较传统相机具有许多优势，因其视场（FOV）宽得多。近来，若干方法被提出将卷积神经网络（CNNs）应用于全向图像以完成各种视觉任务。然而，它们大多在将最初形成于非欧氏空间的全向视图变换后，使用定义于欧氏空间中的图像表示。该变换因空间分辨能力不均匀而导致形状畸变并丧失连续性。这些效应使现有卷积核难以提取有意义信息。本文提出一种新方法以解决将 CNNs 应用于全向图像的此类问题。所提方法利用球面多面体表示全向视图。该方法最小化球面上空间分辨能力的方差，并包含针对所提表示的新卷积与池化方法。所提方法也可被任何现有基于 CNN 的方法采用。通过合成与真实数据集上的分类、检测与语义分割任务，证明了所提方法的可行性。
引用
@article{arxiv.1811.08196,
title = {SpherePHD: Applying CNNs on a Spherical PolyHeDron Representation of 360 degree Images},
author = {Yeonkun Lee and Jaeseok Jeong and Jongseob Yun and Wonjune Cho and Kuk-Jin Yoon},
journal= {arXiv preprint arXiv:1811.08196},
year = {2019}
}