Geometriebewusste Instanzsegmentierung mit Disparitätskarten

Bisherige Arbeiten zur Objektsegmentierung im Freien basierten ausschließlich auf Farbinformationen aus Bildern. Wir erforschen einen neuartigen Ansatz durch Sensorfusion, um Stereokameras zu nutzen. Geometrische Informationen aus Disparitäten helfen dabei, sich überlagernde Objekte derselben oder unterschiedlicher Klassen zu trennen. Zudem bestrafen geometrische Informationen Regionen-Vorschläge mit unwahrscheinlichen 3D-Formen, wodurch falsch-positiv Erkennungen unterdrückt werden. Die Maskenregression basiert auf 2D-, 2,5D- und 3D-ROI unter Verwendung von Pseudo-LiDAR- und bildbasierten Darstellungen. Diese Maskenvorhersagen werden durch einen Maskenbewertungsprozess zusammengeführt. Allerdings verwenden öffentliche Datensätze Stereosysteme mit kürzerer Baseline und kürzerer Brennweite, was die Messreichweite der Stereokameras einschränkt. Wir haben das hochwertige Fahrstereodatensatz (High-Quality Driving Stereo, HQDS) gesammelt und genutzt, der eine deutlich längere Baseline und Brennweite sowie eine höhere Auflösung aufweist. Unser Ansatz erreicht den Stand der Technik. Weitere Informationen finden Sie auf unserer Projektseite. Der vollständige Artikel ist hier verfügbar.