什么是网站权重,国内新闻最新消息摘抄,百度指数峰值查询,营销型网站有什么特点参考代码#xff1a;gedepth
出发点与动机 相机的外参告诉了相机在世界坐标系下的位置信息#xff0c;那么可以用这个外参构建一个地面基础深度作为先验#xff0c;后续只需要在这个地面基础深度先验基础上添加offset就可以得到结果深度#xff0c;这样可以极大简化深度估…参考代码gedepth
出发点与动机 相机的外参告诉了相机在世界坐标系下的位置信息那么可以用这个外参构建一个地面基础深度作为先验后续只需要在这个地面基础深度先验基础上添加offset就可以得到结果深度这样可以极大简化深度估计网络学习的难度自然深度估计的性能就上去了。先不说这个深度估计的实际效果如何但是这个将复杂的问题简单化的思路是可以借鉴的。但是这个鲁棒性如何就需要打问号了BEV感知中外参的变化带来的问题依然很头疼。
方法设计 文章的核心内容部分在左上部分也就是如何去构建地面基础深度文中给出了两种地面深度生成的方法内外参映射、地面坡度加内外参自然第二种的精度更高。这个基础深度再同你过一个学习到的加权参数 M a t t e n M_{atten} Matten去调和基础深度和网络本身预测的深度
单纯由内外参估计地面深度 这个借助内外参可以在平直路面实现基础地面深度估计什么路面坡度、障碍物什么的都不考虑单纯计算地面的深度。其计算出来的效果如下
借助地面坡度预测细化地面基础深度 单纯依靠内外参得到的地面基础深度是相当粗糙的完全不能用那么可以借用下图定义的路面坡度 α \alpha α来细化路面的实际情况这个坡度的计算自然也需要预先通过真值计算得到相当于是对真值在不同的维度做了监督
实验结果 KITTI上的性能比较
DDAD数据集
