在添加检测的三维重建中,获取连续性图片区域是一个提高三维重建效果的重要方法。不管在稠密重建和稀疏重建,对特定的目标区域添加UV图,并可以对特定区域内的稀疏或者稠密点云深度进行优化。
当然,使用较为传统的方法,作为一个耗时的工程,通过激光器扫描的稠密表面点云,然后经过图片传统经验方法进行分割贴图,是一个效果更好的方法。但在此不做讨论,只讨论使用单一方法提高三维重建的 可视化效果。
FCN-DeepLab中的MASK获得
严格地说,FCN系列目的并非形成Mask,而是基于分割的思路,而Mask是基于目标检测的思路。基于FCN的DeepLab框架添加了CRF模型,进行分割优化,成为分割效果较好的一个经典框架。
参考:可视化并获取fcn的中间结果; FCN生成的高层特征Map,Map的每一个像素对每个类别都有一个概率描述,即每一个类别都有一个图片大