利用街景图像增强航拍图像的单目高度估计
这篇论文介绍了一种综合解决方案,用于遥感中的单眼高度估计,被称为 HeightFormer,结合了多级相互作用和图像自适应分类 - 回归。
Oct, 2023
本文提出了使用街景 RGB 图像进行多类物体地理定位和高度估计的流程,通过 Markov 随机场优化得到确定性输出,该技术使用图像元数据以及在图像平面上检测到的物体的坐标,计算物体高度,其对总体计算成本的影响可忽略不计。作者通过实验证明,在水管和路标的平均海拔估计误差低于 20 厘米。
May, 2023
本文介绍了一种名为 StableCamH 的新型尺度感知单目深度估计方法,它利用场景中物体的高度先验知识,将深度估计问题转化为相机高度优化,通过无监督端到端训练实现了稳健准确的估计,并且提出了一种可直接将车辆外观转化为尺寸的基于学习的尺寸先验方法。在 KITTI 和 Cityscapes 数据集上的大量实验证明了 StableCamH 的有效性、与相关方法相比的最先进准确性以及其通用性,该训练框架可用于任何单目深度估计方法,希望能够成为进一步研究的基础组成部分。
Dec, 2023
通过筛选 20 篇研究论文,本研究全面回顾了从对应的卫星图像合成街景图像的最新技术,主要发现是:(i)需要采用新颖的深度学习技术来合成更加逼真准确的街景图像;(ii)需要收集更多的数据集供公众使用;(iii)需要研究更加具体的评估指标来恰当评估生成的图像。结论是,由于使用了过时的深度学习技术,最近的文献未能生成详细多样的街景图像。
May, 2024
本研究提出了两种简单而有效的模型(RoadBEV-mono 和 RoadBEV-stereo),分别使用单目和立体图像估计道路高程,在 Bird's-Eye-View 感知中实现对道路的可靠和准确重建。经实验证明,RoadBEV-mono 和 RoadBEV-stereo 的高程误差分别为 1.83cm 和 0.56cm,在单目图像的基础上,估计性能提高了 50%,这些模型在自动驾驶中具有实际应用的潜力,并为基于视觉的 Bird's-Eye-View 感知提供了有价值的参考。
Apr, 2024
通过使用低成本 VGI 数据,提出了一种基于 MapillarySVI 和 OSM 数据的半监督学习方法,可以自动估计建筑物的高度,以生成开放和低成本的 3D 城市模型。
Jul, 2023
利用深层卷积神经网络对地面和卫星俯视图进行交叉检索,实现图像地理定位,提出了一种新的损失函数,并采用多种匹配机制和旋转不变训练来提高图片匹配精度和效率。
Jul, 2016
本文提出了一种使用卷积 - 解卷积神经网络进行单目遥感图像高度估计的方法,并使用柏林高分辨率航空图像数据集进行了验证,结果表明该方法有效。
Feb, 2018
本文提出了一种新型的多视角隐式曲面重建技术 ——StreetSurf,适用于广泛使用的自动驾驶数据集中的街景图像,特别是在没有 LiDAR 数据的情况下,旨在解决街景图像中场景几何形状、纹理等问题。
Jun, 2023
使用街景图像进行定位时,精细定位角度的准确度对于提高街景图像的定位和地理定位任务的性能至关重要。本研究提出了两种方法,实现了对街景图像角度的细致估计,相较于以前的方法,准确度提高了 34.9% 至 28.2%。在训练中整合了精细定位角度估计,进一步提升了地理定位的性能。
Jul, 2023