用于自监督自我运动估计的双流网络
计算机视觉与模式识别
2019-11-20 v3 图像与视频处理
摘要
从原始无标签 RGB 视频流中学习深度和相机自我运动，通过强几何线索的自监督正取得令人振奋的进展。为了不仅利用外观还利用场景几何，我们提出了一种新颖的自监督双流网络，使用 RGB 和推断的深度信息进行精确的视觉里程计。此外，我们引入了一种用于自我运动学习的稀疏诱导数据增强策略，该策略有效地正则化位姿网络以实现更强的泛化性能。结果表明，我们提出的双流位姿网络在 KITTI 里程计基准上在基于学习的方法中取得了最先进的结果，并且特别适合大规模自监督。我们在包含 100 万帧的大规模城市驾驶数据集上的实验表明，我们提出的架构的性能确实随数据量增加而逐步提升。
引用
@article{arxiv.1910.01764,
title = {Two Stream Networks for Self-Supervised Ego-Motion Estimation},
author = {Rares Ambrus and Vitor Guizilini and Jie Li and Sudeep Pillai and Adrien Gaidon},
journal= {arXiv preprint arXiv:1910.01764},
year = {2019}
}
备注
Conference on Robot Learning (CoRL 2019)