#每天一篇论文# 使用深度学习和几何法估计3D边界框

3D Bounding Box Estimation Using Deep Learning and Geometry

原文

摘要

贡献

综上所述，本论文的主要贡献包括：
1）一种方法，利用投影几何学提供的约束和物体的方向和尺寸的估计，使用深美国有线电视新闻网，从2D包围盒中估计物体的全3D姿态和尺寸。
与其他方法不同，我们的方法不需要任何预处理阶段或3D对象模型。2）一种新的离散连续美国有线电视新闻网结构，称为多桶回归，用于估计对象的方位。3）三
用于评估KITTI数据集超出其定位精度的3D盒子的新度量。4）实验评价证明了我们的方法对KITTI轿车的有效性，这也说明了在我们的3D姿态估计框架内特定选择回归参数的重要性。5）PASCAL三维数据集的视点评估。

方法

在这项工作中，我们提出了一种方法，估计姿势（R，T）SE（3）和对象的三维包围盒的尺寸从二维包围盒和周边图像像素。我们的简单有效的方法适用于包括自驾车车辆在内的许多现实世界。我们的方法的主要贡献是在选择回归参数和相关的目标函数的问题。我们首先回归方向和对象尺寸，然后将这些估计与几何约束相结合，以产生最终的3DSTATE。这与之前试图直接回归到姿势的技术形成对比。

实验