ESANet语义分割与realsense D455的结合

paper：Efficient RGB-D Semantic Segmentation for Indoor Scene Analysis

网络结构如下，相比于基于RGB图像的语义分割，该网络用了RGB与深度图结合。

既然是RGBD，就可以用RGBD相机来测试了，选择realsense d455相机。

用ROS接口读入RGB图像与深度图。

这里要注意图像需要经过预处理，通过ESANet的源码，得知在validate阶段需要做以下预处理。

transform_list = [Rescale(height=height, width=width)]
transform_list.extend([
    ToTensor(),
    Normalize(depth_mean=depth_mean,
              depth_std=depth_std,
              depth_mode=depth_mode)
])

包含了Rescale, toTensor和normalize,
Rescale如下：

image = cv2.resize(image, (self.width, self.height),
                           interpolation=cv2.INTER_LINEAR)
depth = cv2.resize(depth, (self.width, self.height),
                   interpolation=cv2.INTER_NEAREST)

toTensor就是把RGB和深度图变为torch.tensor

image = image.transpose((2, 0, 1))
depth = np.expand_dims(depth, 0).astype('float32')

image = torch.from_numpy(image).float()
depth = torch.from_numpy(depth).float()

然后是Normalize，RGB图要做归一化处理，均值方差可能是根据训练集图像来的，可以根据自己的数据进行修改，
深度图的mean, std要根据自己的数据计算，直接用代码里面的效果不好。
有时候深度图会有nan值的情况，需要用到np.nan_to_num函数，d455相机没有nan值。
normalize之后一定要把之前0处的值置为0。

image = image / 255
image = torchvision.transforms.Normalize(
    mean=根据数据, std=根据数据)(image)
if self._depth_mode == 'raw':
    depth_0 = depth == 0

    depth = torchvision.transforms.Normalize(
        mean=根据数据, std=根据数据)(depth)

    # set invalid values back to zero again
    depth[depth_0] = 0

剩下就是过模型，input size可以选的，这里选的是(640, 480)

# Do inference
outputs = self.model(img, depth) #N,C,W,H

对于不复杂的场景，效果还是不错的，尤其是轮廓比较整齐，
下图场景中墙上的画，椅子，台灯轮廓都很清楚

但是对于复杂的场景（ex.桌子上乱七八糟的小零碎），移动的相机效果不是很好。
一来跟训练数据集有关，这里用的是sun-rgbd数据集训练的权重。
移动中的相机分割不是很稳，类别频繁变动，可能跟场景比较复杂有关，或者参数还需要进一步调整。
下面这个场景就有点乱了

这是对一个房间的分割建图