面向自动驾驶应用的层次化自监督单目绝对深度估计
计算机视觉与模式识别
2020-09-10 v2 机器人学
摘要
近年来，单目深度估计的自监督方法已迅速成为深度估计任务的一个重要分支，尤其在自动驾驶应用中。尽管取得了较高的整体精度，当前方法仍受限于 a) 不精确的目标级深度推断与 b) 不确定的尺度因子。前者会导致纹理复制或提供不准确的目标边界，后者则要求当前方法具备如 LiDAR 等额外传感器以提供深度真值，或立体相机作为额外训练输入，使其难以部署。本工作中，我们提出通过引入 DNet 来一并解决这两个问题。我们的贡献有两点：a) 提出一种新颖的密集连接预测（DCP）层以提供更优的目标级深度估计；b) 专门针对自动驾驶场景，引入密集几何约束（DGC），从而可在不增加自动驾驶车辆额外成本的情况下恢复精确尺度因子。我们进行了大量实验，DCP 层与 DGC 模块均被证明能分别有效解决上述问题。得益于 DCP 层，深度图中目标边界现可被更好区分，且目标级深度更加连续。研究还表明，在给定相机高度且地面点占像素超过 1.03% 时，使用 DGC 进行尺度恢复的性能可与使用真值信息相媲美。代码见 https://github.com/TJ-IPLab/DNet。
引用
@article{arxiv.2004.05560,
title = {Toward Hierarchical Self-Supervised Monocular Absolute Depth Estimation for Autonomous Driving Applications},
author = {Feng Xue and Guirong Zhuo and Ziyuan Huang and Wufei Fu and Zhuoyue Wu and Marcelo H. Ang},
journal= {arXiv preprint arXiv:2004.05560},
year = {2020}
}
备注
8 pages, 10 figures, accepted by 2020 IEEE/RJS International Conference on Intelligent Robots and Systems(IROS)