SVDistNet：基于环视鱼眼相机的自监督近场距离估计
计算机视觉与模式识别
2021-04-12 v1 机器人学
摘要
对场景几何的360°感知对自动驾驶至关重要，尤其在泊车与城市驾驶场景中。通常，这通过使用环视鱼眼相机实现，聚焦于车辆周围的近场区域。当前大多数深度估计方法仅采用单一相机，无法直接推广到多相机情形。深度估计模型必须在装备于数百万辆汽车、具有不同相机几何的多种相机上进行测试。即便在同一辆车内，由于制造公差，内参也会变化。深度学习模型对这些变化敏感，而针对每种相机变体进行训练与测试在实践中不可行。为此，我们提出新颖的相机几何自适应多尺度卷积，将相机参数作为条件输入，使模型能泛化至未见过的鱼眼相机。此外，我们通过成对与分块基于向量的自注意力编码器网络改进距离估计。我们在Fisheye WoodScape环视数据集上评估了我们的方法，显著优于先前方法。我们还展示了方法在不同相机视角下的泛化能力，并进行了大量实验以支持我们的贡献。为便于与其他方法比较，我们在KITTI数据集（针孔相机图像）上评估了前视相机数据，并在自监督单目方法中取得最先进性能。定性结果概览视频见 https://youtu.be/bmX0UcU9wtA。基线代码与数据集将公开。
引用
@article{arxiv.2104.04420,
title = {SVDistNet: Self-Supervised Near-Field Distance Estimation on Surround View Fisheye Cameras},
author = {Varun Ravi Kumar and Marvin Klingner and Senthil Yogamani and Markus Bach and Stefan Milz and Tim Fingscheidt and Patrick Mäder},
journal= {arXiv preprint arXiv:2104.04420},
year = {2021}
}
备注
To be published at IEEE Transactions on Intelligent Transportation Systems