A robust three-stage approach to large-scale urban scene recognition(3)

我换了一个看论文的思路,这篇文章的标题既然是三阶段,那我就看看到底是哪三个阶段,然后我再分别在这三个阶段中找出每个阶段作者都用了什么方法,改进了哪些方法,就像做英语阅读一样,看题干找细节。


第一阶段:用类别对场景进行分割

1.使用[28]准密集结构的SFM对原始图像images进行处理:

在这里插入图片描述
得到相机姿势和重建网格。

2.对原图像和得到的重建网格进行分割:

在这里插入图片描述
得到分割后的“破碎的”图像和网格。

3.通过投影来构造图:

在这里插入图片描述
得到一个图G。

4.对图G进行联合语义分割:

在这里插入图片描述
得到联合语义分割的图G和图像。

5.对得到的联合语义分割的图G和图片,通过[21]关联分层CRF进行公式化。

至此,重建的模型被分割成特定的类别(以颜色区分)。


第二阶段:进行实例级别的分割——将原始场景划分为单独的实例

正交图分割

在这里插入图片描述
图2(在线颜色)构建实例分割。(a),(b)和(c)显示高度图,过分割屋顶和正交图中的最终分割屋顶。我们发现所提出的方法可以生成对象级分割,而局部聚类方法不能在同一输出中包含各种粒度的分割。(d),(e)和(f)示出了用于将2D分割传播到3D的泛洪算法。

得到正交实例图


通过建筑抽象简化人造对象

在第二阶段,我们用一组线性分割段来匹配建筑足迹,并以此来抽象建筑模型。
我们对上面得到的正交实例图进行接下来的操作:

1.使用 轮廓查找算法[25] 提取实例的轮廓。
2.使用 轮廓抽象 将得到的轮廓分解为几个连接的结构段(用点列表表示),即,将输入的轮廓抽象成了具体的形状。
3.所有轮廓形成一组点列表{x0,x1,…,xn}。轮廓抽象被公式化为标记问题:属于相同结构点列表的点被赋予相同的标签。
3.采用CRF框架,一种结构化的概率模型,来预测最可能的标签。


该算法的一个关键创新是我们在更高阶的CRF形成中编码城市场景结构的上下文信息。解决这一优化问题为我们提供了优于最先进相关方法的卓越成果。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值