基于对抗学习与深度估计的车辆检测系统

随着目标检测技术的不断发展,用于道路场景的车辆检测系统在自动驾驶领域得到了广泛应用。与传统的目标检测器相比,车辆检测的目标比较单一,但同时需要解决两大问题,一是在复杂的道路场景中,提供给检测器的车辆特征通常是不完整的,会出现遮挡和形变等问题;二是在自动驾驶过程中,需要对不同车辆的距离做出估计才能保证智能车及时地做出规避动作,即对图像的目标区域进行深度估计。针对这两个问题,提出了基于对抗样本生成与深度图重建的车辆检测方法。为预训练目标检测网络Faster⁃RCNN设计一个对抗网络,用于在训练过程中产生大量的训练样本,并利用这些样本对车辆检测器进行训练;根据检测结果,通过重建3D场景与相机位姿恢复深度图,对车辆的距离做出估计,以通知系统及时做出规避动作。实验结果表明,在不增加数据训练样本的情况下,该检测系统可以较好地提升车辆检测效果及估计目标车辆的距离。

基于多引导结构感知网络的深度补全

针对三维场景深度信息观测稀疏问题,提出一种融合彩色图像的多引导结构感知网络模型以补全稀疏深度.首先,利用三维平面法向量与场景梯度信息之间的映射关系,设计一种两分支主干网络框架,结合图像特征和几何特征进行深度预测,以充分提取空间位置信息的特征表示;然后,考虑到大范围场景下不同物体的结构差异性,基于网络通道注意力机制设计一种自适应感受野的结构感知模块,以对不同尺度的信息进行表征;最后,在网络采样的过程中,以不同尺寸图像为指导对预测子深度图进行滤波并修复物体的边缘细节.公开数据集上的实验结果表明,所设计的深度补全算法可以获得准确的稠密深度,同时通过两个下游感知任务进行深入评估,表明利用所提出方法能够有效提升其他感知任务的效果.