时间一致的视平线估计
计算机视觉与模式识别
2020-01-10 v2
摘要
视平线是计算机视觉中许多图像处理与场景理解任务的重要几何特征。例如，在自动驾驶车辆或驾驶辅助的导航中，它可用于改进三维重建以及对动态环境的语义解释。尽管针对单幅图像已有算法和数据集，但从视频序列估计视平线的问题尚未受到关注。在本文中，我们展示了卷积神经网络如何利用视频序列所施加的时间一致性，以提高视平线估计的精度并降低其方差。提出了一种带有改进残差卷积 LSTM 的新型 CNN 架构，用于时间一致的视平线估计。我们提出了一种自适应损失函数，以确保稳定训练及准确结果。此外，我们引入了 KITTI 数据集的扩展，其包含横跨 72 个视频序列的 43699 幅图像的精确视平线标签。综合评估表明，所提方法相比现有方法始终取得更优性能。
引用
@article{arxiv.1907.10014,
title = {Temporally Consistent Horizon Lines},
author = {Florian Kluger and Hanno Ackermann and Michael Ying Yang and Bodo Rosenhahn},
journal= {arXiv preprint arXiv:1907.10014},
year = {2020}
}