【论文阅读】【道路检测】SNE-RoadSeg

这篇文章介绍了一项创新的深度学习方法SNE-RoadSeg,它通过结合RGB图像和视差图的表面法向信息,提升道路检测的准确性。文章详细阐述了SNE图像法向量提取器的工作原理和网络结构,旨在改善道路空间的识别精度。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

《SNE-RoadSeg: Incorporating Surface NormalInformation into Semantic Segmentation for Accurate Freespace Detection》
挺有里程碑意义的一篇道路检测的文章,创新性地提出利用视差图和rgb图像叠加的形式来进行信息的提取方便进行道路检测。
文章中主要提出来一个SNE的图像法向量提取器。具体操作如下:
在这里插入图片描述
gx gy为导数
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

通过最小化上述能量函数来求解每一个像素的法向量,其中ni为其周围的像素点 我们用上面的式子进行一个估计。
在这里插入图片描述
随后提取出来的法向量图可以进行进一步的图像处理。有点类似多传感器信息图的叠加。
在这里插入图片描述
网络结构如上图所示。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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