基于视觉注意力与几何先验的自动驾驶自监督绝对深度估计
计算机视觉与模式识别
2022-10-07 v3
摘要
尽管现有的单目深度估计方法已取得很大进展，但从单幅图像中预测准确的绝对深度图仍具挑战性，这源于网络建模能力的局限以及尺度模糊问题。本文提出一种完全基于视觉注意力的深度（VADepth）网络，在所有阶段均应用空间注意力与通道注意力。通过长距离上沿空间与通道维度持续提取特征的依赖关系，VADepth网络能有效保留重要细节并抑制干扰特征，从而更好地感知场景结构以获得更精准的深度估计。此外，我们利用几何先验形成尺度约束，用于尺度感知的模型训练。具体而言，我们使用相机与由图像底部中间矩形区域像素对应的地面点拟合出的平面之间的距离，构建了一种新颖的尺度感知损失。在KITTI数据集上的实验结果表明，该架构达到了最先进的性能，且我们的方法无需后处理即可直接输出绝对深度。此外，我们在SeasonDepth数据集上的实验也证明了模型对多种未知环境的鲁棒性。
引用
@article{arxiv.2205.08780,
title = {Visual Attention-based Self-supervised Absolute Depth Estimation using Geometric Priors in Autonomous Driving},
author = {Jie Xiang and Yun Wang and Lifeng An and Haiyang Liu and Zijun Wang and Jian Liu},
journal= {arXiv preprint arXiv:2205.08780},
year = {2022}
}
备注
Published on IEEE Robotics and Automation Letters (RA-L)