DeepLiDARFlow: A Deep Learning Architecture For Scene Flow Estimation Using Monocular Camera and Spa

最新推荐文章于 2023-02-03 14:36:09 发布
最新推荐文章于 2023-02-03 14:36:09 发布
阅读量334 收藏 1
点赞数
分类专栏： IROS2020
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40114620/article/details/112387624
版权

场景光流是对场景中运动和几何模型的稠密三维重建。大多数的系统都是利用双目图像作为输入输出场景的三维重建结果。现存的系统都是比较依赖RGB图像的质量而且在一些反光物体，遮挡，病态的光线场景下表现很差。雷达在上述的环境中影响就很小，但是由于雷达数据的稀疏性导致雷达的特征不适合用来匹配。所以激光和视觉结合通过改善和产生鲁棒的特征用来匹配，可以克服每个传感器的不足。在这个系统中作者提出了一个新的基于激光雷达和视觉结合的框架，通过在单目相机的多个尺度上融合高层次的RGB和LiDAR数据来预测稠密的场景光流。这个系统在上述提到的场景的表现大大由于单相机和单激光雷达的方法。作者在KITTI和FlyingThings3D数据集上都进行了测试，并开源了代码：https:github.com/dfki-av/DeepLiDARFlow
在这里插入图片描述
在这里插入图片描述

木得感情的_coder
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
论文笔记_S2D.61_2019-CVPR-DeepLiDAR:基于稀疏激光雷达数据和单张彩色图像的户外场景的表面法线引导的深度预测
惊鸿一博
12-31 529
基本情况 题目：DeepLiDAR:Deep Surface Normal Guided Depth Prediction for OutdoorScene from Sparse LiDAR Data and Single Color Image 论文地址：https://arxiv.org/abs/1812.00488 来源：中国电子科技大学，旷视科技 原文作者：Jiaxiong Qiu 出处：Qiu J, Cui Z, Zhang Y, et al. Deeplidar: Deep sur.
《Self-Supervised Monocular Scene Flow Estimation》论文笔记
m_buddy的博客
06-16 603
参考代码：self-mono-sf在这篇文章中将单目深度估计与3D场景流组合起来进行预测，并将这两个任务互为补充构建约束表达用于监督。通过双目图像对、光流遮挡掩膜计算、3D空间点约束有效处理自监督过程中存在的问题（如scale问题），文章算法的预测效果见下图所示： 文章方法的整体pipeline见下图所示： 文章的方法的主体架构是来自于双目匹配网络PWC-Net的，不同点是同时估计3D场景流和单目深度信息，并且其中的场景流不是估计的残差而是在每个level都估计完整场景流。另外一个不同点是采用自监督的形式
[论文翻译]SENSE: a Shared Encoder Network for Scene-flow Estimation（ICCV2019）
Javier.Lin_HUST的博客
02-03 281
我们引入了一个用于整体场景流估计的紧凑网络，称为SENSE，它在四个密切相关的任务中共享共同的编码器特征：光流估计、立体视差估计、遮挡估计和语义分割。我们的关键见解是共享特征使得网络更加紧凑，产生出更好的特征表示，并且能够更好地利用这些任务之间的交互来处理部分标记的数据。通过共享编码器，我们可以在训练时为不同的任务灵活地添加解码器。这种模块化设计在推理时导致了一个紧凑而高效的模型。利用这些任务之间的相互作用，我们可以在监督损失之外引入蒸馏和自监督损失，这可以更好地处理部分标记的真实数据。
《论文阅读》FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation
未知丶的博客
10-14 523
留个笔记自用 FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation 做什么 Scene Flow Estimation场景流预测 也就是提供两帧后估计场景中每个点的三维运动，可以理解成包含3D信息的场景配准 做了什么 这里提出了一个迭代式的步骤，没有用端到端的方法学习，而是用步骤化来细化场景流预测，然后用强正则化方法证明了解的迭代收敛性 怎么做 首先是场景流的问题定义，就像前面所说的，输入是两组点云S和T，pi∈R3∈
【论文阅读】19-Multi-View Stereo Reconstruction and Scene Flow Estimation with a Global Image-Based Matchi
小rivaaaa的博客
09-24 289
【论文阅读】19-Multi-View Stereo Reconstruction and Scene Flow Estimation with a Global Image-Based Matching Score0、 basic Information1、method overview2、similarity measure2.1、NCC2.2、MI( mutual information)3、regularization4、details5、implementation6、result 0、 basi
deep learning for joint channel estimation and detection in OFDM system
11-23
This is the readme for applying deep learning for joint channel estimation and detection in OFDM system. 只是其中一部分，另一部分，分开上传，因为太大le The codes have been tested on Ubuntu 16.04 + ...
D2C: Deep cumulatively and comparatively learning for human age estimation
02-11
D2C: Deep cumulatively and comparatively learning for human age estimation
人体姿态检测总结，Deep Learning-Based Human Pose Estimation: A Survey
12-27
人体姿态检测是计算机视觉领域中的一个热门话题，Deep Learning-Based Human Pose Estimation:A Survey为该领域的综述性论文。人体姿态检测的目标是检测人体的姿态、关节点和形状，应用于人机交互、运动分析、健康...
Diagnosing deep learning models for high accuracy age estimation from a single image
02-11
Diagnosing deep learning models for high accuracy age estimation from a single image
2D/3D Pose Estimation and Action Recognition using Multitask Deep Learning
07-04
pose a multitask framework for jointly 2D and 3D pose estimation from still images and human action recogni- tion from video sequences. We show that a single archi- tecture can be used to solve the ...
DeepLiDAR: Deep Surface Normal Guided Depth Prediction for Outdoor Scene from Sparse LiDAR
weixin_48924581的博客
09-05 766
深度补全 表面法线生成
CVPR 2019 | 旷视研究院提出DeepLiDAR：通过曲面法线实现稠密深度预测
旷视开发者技术社区
06-06 1248
全球计算机视觉三大顶会之一 CVPR 2019 （IEEE Conference on Computer Vision and Pattern Recognition）将于 6 月 16...
【姿态估计文章阅读】Structured Feature Learning for Pose Estimation
小欧欧的博客
10-31 438
一、年份2016、港中文的文章 二、代码https://github.com/chuxiaoselena/StructuredFeature用的是caffe，可视化出来的结构比较复杂不好展示，就不放图片了 三、核心思想： 利用双向结构的树，优化网络对于结果的预测。也就是预测手肘的时候可以用上手腕和肩膀的信息。文章把这个用信息体现在feature map的使用上，并且采用“...
Deep Learning 算法简介
Kylin-Xu的专栏
12-10 1283
Deep Learning 算法简介 深度(Depth) 从一个输入中产生一个输出所涉及的计算可以通过一个流向图(flow graph)来表示：流向图是一种能够表示计算的图，在这种图中每一个节点表示一个基本的计算并且一个计算的值(计算的结果被应用到这个节点的孩子节点的值)。考虑这样一个计算集合，它可以被允许在每一个节点和可能的图结构中，并定义了一个函数族。输入节点没有孩子，输出
【论文速览】任何运动检测器：从一系列LiDAR点云中学习与类无关的场景动态
冯子材的博客
08-03 456
摘要 在复杂的城市环境中，目标检测和运动参数估计是自动驾驶车辆安全导航的关键任务。 在这项工作中，作者提出了一种新颖的实时时态上下文聚合方法，用于基于3D点云序列的运动检测和运动参数估计。作者引入了自我运动补偿层，以实现实时推理，其性能可与原始点云序列的简单里程转换相媲美。所提出的体系结构不仅能够估计车辆或行人等常见道路参与者的运动，而且可以概括为训练数据中不存在的其他对象类别。还将对不同的时间上下文聚合策略（例如循环单元和3D卷积）进行深入分析。 最后，多提出的最新模型与KITTI Scene Flow数
multi-mono-sf:自监督多帧单目场景流估计
3D视觉工坊
09-18 603
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达标题：Self-Supervised Multi-Frame Monocular Scene Flow作者：Junhwa Hur, S...
深度学习在计算机视觉领域（包括图像，视频，3-D点云，深度图）的应用一览
3D视觉工坊
12-08 5289
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达来源 |黄浴原文|https://zhuanlan.zhihu.com/p/55747295编辑 |焉知自动驾驶分享一篇深...
【综述翻译】Deep Learning for 3D Point Clouds: A Survey
冯子材的博客
01-29 8428
Deep Learning for 3D Point Clouds: A Survey为国防科技大学发布的综述文章，这里只翻译摘要，第一章与第三章。 下载链接：https://arxiv.org/abs/1912.12033； 仓库链接：https://github.com/QingyongHu/SoTA-Point-Cloud。 摘要 由于点云学习在计算机视觉，自动驾驶和机器人等许多领域的广泛应...
Scene Flow场景流halcon算子，持续更新
CSDN博客
10-25 982
目录scene_flow_calibscene_flow_uncalib scene_flow_calib 功能：计算两个立体图像对之间校准的场景流。 scene_flow_uncalib 功能：计算两个立体图像对之间未校准的场景流。 ...
Xu D, Anguelov D, Jain A. Pointfusion: Deep sensor fusion for 3d bounding box estimation国标引用格式
最新发布
08-30
"Pointfusion: Deep sensor fusion for 3d bounding box estimation." IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(3), 561-574. 或者 Xu D, Anguelov D, Jain A. "Pointfusion: ...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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