4、单目图像中物体的检测与深度估计

单目图像中物体的检测与深度估计

1. 引言

在计算机视觉领域，从单目图像中进行物体检测和深度估计是一项基础任务，在场景理解、3D建模、机器人技术等方面有着广泛应用。特别是在自动驾驶领域，检测移动目标（如车辆、行人等）并估计它们与车辆摄像头的距离，对后续的路径规划和行为决策至关重要。

近年来，2D图像的物体检测取得了显著进展，借助深度卷积神经网络，其准确性和效率逐渐提高。然而，单张2D图像的深度估计通常被视为一个不适定问题，因为缺乏空间信息。给定一张单目图像，可能有许多现实场景可以生成它，但基于启发式知识，其中大多数在物理上是不存在的。不过，通过监督学习的方法，我们仍然可以相当准确地预测深度。

本文提出了一种简单便捷的解决方案，用于从单目RGB图像中获取物体的位置和深度信息。该任务可分为两个子任务：基于Faster R - CNN的物体检测和基于我们提出方法的深度估计。具体来说，我们从Faster R - CNN生成的边界框中提取相应特征，然后通过训练一个CNN网络来生成距离信息。为实现上述目标，我们设计了一个多任务神经网络，并在KITTY数据集上进行了评估。

2. 相关工作

• 物体检测 ：在深度学习领域，物体检测可分为两类：两阶段物体检测和一阶段物体检测。两阶段方法通常在第一阶段生成建议边界框，在第二阶段对其进行细化；而一阶段方法则在整个步骤中直接回归边界框。典型的两阶段框架包括RCNN、Fast R - CNN、Faster R - CNN、FPN等，这类检测器可以实现较高的准确性，但速度较慢。相反，一阶段框架可以进行实时检测，但在准确性方面不如两阶段方法。代表性的一阶段框架有