首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

RSS 2021 | 相机图像在3D点云中鲁棒跨域定位

近年来,随着基于高清地图的准确定位的发展,移动机器人和自动驾驶汽车已经进入我们的日常生活。照相机具有巨大的潜力,可以针对点云地图提供低成本、紧凑和独立的视觉定位。然而,视觉方法在本质上受到现实世界中不一致的环境条件的限制,例如光照、天气、季节和视点差异。同时,由于传感器的稀疏性,没有足够的纹理特征保证,在点云数据上进行精确的匹配可能是一个挑战。基于过渡几何学的方法隐含地假设了一个静态环境,如稳定的照明条件、晴朗的天气和固定的季节属性。最近基于学习的视觉定位方法要么在极限环境下受到限制(结构道路),要么只适合于有限的视角(在街道上向前或向后)。目前的图像到点云的定位方法很难在现实世界的应用中得到利用,同时很难解决上述问题。

02

计算机视觉最新进展概览(2021年7月11日到2021年7月17日)

自动驾驶汽车的目标检测通常基于摄像头图像和激光雷达输入,通常用于训练深度人工神经网络等预测模型,用于目标识别决策、速度调节等。 这种决策中的一个错误可能是破坏性的; 因此,通过不确定性测度来衡量预测模型决策的可靠性至关重要。 在深度学习模型中,不确定性通常用于衡量分类问题。 然而,自动驾驶中的深度学习模型往往是多输出回归模型。 因此,我们提出了一种新的方法,即预测表面不确定度(PURE)来测量这类回归模型的预测不确定度。 我们将目标识别问题表述为一个具有多个输出的回归模型,用于在二维摄像机视图中寻找目标位置。 为了进行评估,我们修改了三个广泛应用的目标识别模型(即YoLo、SSD300和SSD512),并使用了KITTI、Stanford Cars、Berkeley DeepDrive和NEXET数据集。 结果显示,预测面不确定性与预测精度之间存在显著的负相关关系,表明不确定性对自动驾驶决策有显著影响。

04
领券