自动驾驶
LCJhust2012
努力让自己变得更好的学渣佳佳~
展开
-
论文阅读笔记——GeoNet之网络结构解读(附源码注释)
前言 2018年CVPR会议上,商汤科技SenseTime被收录的论文中,有一篇《GeoNet--Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose》,提出了一个叫做GeoNet的框架——一种可以联合学习单目深度、光流和相机姿态的无监督学习框架,其表现超越了现有的一些无监督学习方法,并且取得了可以与监督学习方法...原创 2018-05-29 15:44:53 · 6982 阅读 · 5 评论 -
论文详解——GeoNet:Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose
DepthNet和PoseNet分别预测出深度图和相机姿态,由此可以计算出从目标帧到原帧的二位刚性流rigid flow再由计算得到的rigid flow,结合相机内参/深度图/相机的转移矩阵,warping 得到view synthesis I(s)~, 比较view synthesis与目标帧之间的图像重构误差,即为rigid warping loss。...原创 2018-06-13 13:38:58 · 6476 阅读 · 8 评论 -
论文翻译——GeoNet:用于单目深度估计、光流和相机运动的无监督学习框架
前言 2018年CVPR会议上,商汤科技SenseTime被收录的论文中,有一篇《GeoNet--Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose》,提出了一个叫做GeoNet的框架——一种可以联合学习单目深度、光流和相机姿态的无监督学习框架,其表现超越了现有的一些无监督学习方法,并且取得了可以与监督学习方法...原创 2018-06-04 14:58:20 · 5409 阅读 · 0 评论 -
【论文详解】Sparsity Invariant CNNs
Abstract 本文主要研究了稀疏输入下的卷积神经网络,并用稀疏的激光雷达扫描数据进行实验。传统的CNN在输入稀疏数据时性能很差,即使提供了丢失数据的位置,效果也不理想。为了解决这个问题,本文提出了一个简单有效的稀疏卷积层,在卷积运算中明确考虑了丢失数据的位置。 1.Introduction 卷积神经网络CNN几乎影响了计算机视觉的所有领域。通常情况下,CNN...原创 2018-08-02 11:59:08 · 1576 阅读 · 5 评论 -
【论文详解】In Defense of Classical Image Processing: Fast Depth Completion on the CPU
论文《In Defense of Classical Image Processing: Fast Depth Completion on the CPU》提出了一种用经典的图像处理算法进行深度补全的算法,不依赖于任何训练数据,没有使用深度学习模型。主要贡献:1.提出了一种快速的深度补全的算法,能从稀疏的深度图中恢复完整的深度图,并且在CPU上可达到90Hz的频率。该算法的...原创 2018-08-02 11:50:11 · 3258 阅读 · 4 评论