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