本文探讨了利用相机外参构建地面基础深度作为深度估计的先验，以简化网络学习。提出了内外参映射和地面坡度加内外参两种方法。然而，鲁棒性和处理复杂场景的能力仍需考量。实验对比了在KITTI和DDAD数据集上的性能。
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：
扫一扫
994
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
