[논문]Volumetric Propagation Network: Stereo-LiDAR Fusion for Long-Range Depth Estimation

Choe, Jaesung; Joo, Kyungdon; Imtiaz, Tooba; Kweon, In So

doi:10.1109/lra.2021.3068712

[해외논문] Volumetric Propagation Network: Stereo-LiDAR Fusion for Long-Range Depth Estimation 원문보기

IEEE robotics and automation letters, v.6 no.3, 2021년, pp.4672 - 4679

Choe, Jaesung (KAIST, Division of the Future Vehicle, Daejeon, South Korea) , Joo, Kyungdon (UNIST, Artificial Intelligence Graduate School and the Department of Computer Science, Ulsan, South Korea) , Imtiaz, Tooba (KAIST, School of Electrical Engineering, Daejeon, South Korea) , Kweon, In So (KAIST, School of Electrical Engineering, Daejeon, South Korea)

Abstract ▼ AI-Helper

Stereo-LiDAR fusion is a promising task in that we can utilize two different types of 3D perceptions for practical usage – dense 3D information (stereo cameras) and highly-accurate sparse point clouds (LiDAR). However, due to their different modalities and structures, the method of aligning sensor data is the key for successful sensor fusion. To this end, we propose a geometry-aware stereo-LiDAR fusion network for long-range depth estimation, called volumetric propagation network. The key idea of our network is to exploit sparse and accurate point clouds as a cue for guiding correspondences of stereo images in a unified 3D volume space. Unlike existing fusion strategies, we directly embed point clouds into the volume, which enables us to propagate valid information into nearby voxels in the volume, and to reduce the uncertainty of correspondences. Thus, it allows us to fuse two different input modalities seamlessly and regress a long-range depth map. Our fusion is further enhanced by a newly proposed feature extraction layer for point clouds guided by images: FusionConv. FusionConv extracts point cloud features that consider both semantic (2D image domain) and geometric (3D domain) relations and aid fusion at the volume. Our network achieves state-of-the-art performance on KITTI and Virtual-KITTI datasets among recent stereo-LiDAR fusion methods.

참고문헌 (35)

Proc Conf Comput Vis Pattern Recognit Virtual worlds as proxy for multi-object tracking analysis gaidon 0 4340
Geiger, A, Lenz, P, Stiller, C, Urtasun, R. Vision meets robotics: The KITTI dataset. The International journal of robotics research, vol.32, no.11, 1231-1237.

상세보기
Proc Eur Conf Comput Vis Stacked hourglass networks for human pose estimation newell 0 483
Proc AAAI Conf Artif Intell Learning context and resource aware convolutional spatial propagation networks for depth completion cheng 0 10615
Proc Int Conf Learn Representations Pseudo-LiDAR Accurate depth for 3D object detection in autonomous driving you 0
Proc Adv Neural Inf Process Syst Depth map prediction from a single image using a multi-scale deep network eigen 0
10.1109/IROS40897.2019.8968170
10.1109/ICRA.2018.8461048
Listereo: Generate dense depth maps from lidar and stereo imagery zhang 2019
10.1109/3DV.2017.00012
Virtual kitti 2 cabon 2020
10.1109/CVPR.2018.00567
Proc Int Conf Learn Representations Dpsnet: End-to-end deep plane sweep stereo im 0
10.1109/ICCV.2019.01012
Proc Eur Conf Comput Vis Non-local spatial propagation network for depth completion park 0
10.1109/CVPR.2019.00027
10.1109/CVPR.2016.170
10.1109/CVPR.2016.438
ShapENEt: An information-rich 3D model repository chang 2015
10.1109/CVPR.2015.7299044
Proc IEEE Int Conf Robot Automat Sparse-to-dense: Depth prediction from sparse depth samples and a single image mal 0 4796
ACM Trans on Graph A scalable active framework for region annotation in 3D shape collections yi 2016 10.1145/2980179.2980238 35 1

상세보기
10.1109/ICCV.2017.17
Proc IEEE Int Conf Robot Automat Stereo object matching network choe 0
Learning guided convolutional network for depth completion tang 2019
10.1109/CVPR.2005.56
10.15607/RSS.2019.XV.016
Multiple View Geometry in Computer Vision hartley 2003
10.1109/CVPR.2019.00864
Proc Conf Comput Vis Pattern Recognit PoinTNEt: Deep learning on point sets for 3D classification and segmentation qi 0 652
10.1109/CVPR42600.2020.01255
Proc Adv Neural Inf Process Syst PoinTCNN: Convolution on x-transformed points li 0 820
10.1109/CVPR.2018.00274
10.1109/ICCV.2019.00166
Wang, Yue, Sun, Yongbin, Liu, Ziwei, Sarma, Sanjay E., Bronstein, Michael M., Solomon, Justin M.. Dynamic Graph CNN for Learning on Point Clouds. ACM transactions on graphics, vol.38, no.5, 1-12.

상세보기

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

원문 보기

AccessON 원문보기

원문 URL 링크

DOI : 10.1109/LRA.2021.3068712
IEEE : 저널 > 논문
AccessON : 저널

*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.

오픈액세스(OA) 유형

GREEN

저자가 공개 리포지터리에 출판본, post-print, 또는 pre-print를 셀프 아카이빙 하여 자유로운 이용이 가능한 논문

저작권 관리 안내

내보내기 메뉴

내보내기 구분

파일저장
인쇄
메일전송

구성항목

기본정보
상세정보

관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관

저장형식

Text(ASCII format)
Excel format
RefWorks Direct Export
RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley

메일정보

받는사람 (필수): @
보내는사람 (선택): @
제목
내용: KISTI 검색결과 이메일 서비스

안내

총 건의 자료가 검색되었습니다.

다운받으실 자료의 인덱스를 입력하세요. (1-10,000)

검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다.

데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요)

다운로드 파일은 UTF-8 형태로 저장됩니다.
파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오.

Text(ASCII format)
Excel format

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

AI-Helper ※ AI-Helper는 을 사용합니다.

AI-Helper

안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

연합인증