SynDistNet：用于自动驾驶的语义分割协同自监督单目鱼眼相机距离估计
计算机视觉与模式识别
2020-11-17 v3 机器人学
摘要
最先进的单目深度估计自监督学习方法通常存在尺度模糊问题，在鱼眼与全向相机等复杂投影模型的距离估计上泛化性能不佳。本文提出一种新颖的多任务学习策略，以改善鱼眼与针孔相机图像上的自监督单目距离估计。我们的贡献有三方面：首先，我们引入一种新颖的距离估计网络架构，采用基于自注意力的编码器，并向解码器提供鲁棒的语义特征引导，可在一阶段内完成训练。其次，我们集成了一个广义鲁棒损失函数，在消除对重投影损失超参数调优需求的同时显著提升了性能。最后，我们利用语义掩码策略减少了动态物体违背静态世界假设所导致的伪影。我们将先前鱼眼工作的 RMSE 显著降低 25%。由于鱼眼相机方面工作较少，我们使用针孔模型在 KITTI 上评估了所提方法，并在无需外部尺度估计的情况下取得了自监督方法中的最优性能。
引用
@article{arxiv.2008.04017,
title = {SynDistNet: Self-Supervised Monocular Fisheye Camera Distance Estimation Synergized with Semantic Segmentation for Autonomous Driving},
author = {Varun Ravi Kumar and Marvin Klingner and Senthil Yogamani and Stefan Milz and Tim Fingscheidt and Patrick Maeder},
journal= {arXiv preprint arXiv:2008.04017},
year = {2020}
}
备注
Camera ready version + supplementary. Accepted for presentation at Winter Conference on Applications of Computer Vision 2021