End-to-end Learning of Multi-sensor 3D Tracking by Detection

Abstract

产生3D轨迹,将问题公式化为可以解决的线性问题,并使用端对端的卷积网络进行检测和匹配

Introduction

1.将问题定义为深层结构中的推论问题,使用卷积结果作为候选目标
2.匹配成本结合了外观和运动特征(通过一个处理图像和运动的孪生网络)
3.我们模型中的推断可以通过解决线性规划的前向推导完成
4.可以端到端的训练

Method

在这里插入图片描述
建立了四个布尔变量
分别是检测结果是TP的成本,前后两帧的两个检测是一个物体的成本,新轨迹的成本,轨迹终点的成本
End-to-end Learning of Multi-sensor 3D Tracking by Detection_第1张图片
是TP的成本通过图像和激光雷达检测投影到图像共同确定
匹配成本是分别计算图像特征向量的匹配度(使用孪生网络共享参数)和空间信息的匹配度
后两个是学习到的常量
然后用线性规划问题去求解最佳轨迹

你可能感兴趣的:(论文学习)