CeMNet：用于精确连续自我运动估计的自我监督学习

米亨·李（Minhaeng Lee）、查尔斯·福克斯（Charless C.Fowlkes）; 2019年IEEE/CVF计算机视觉和模式识别（CVPR）研讨会会议记录，第0-0页

摘要

本文提出了一种新的自监督学习模型，用于估计视频中的连续自我运动。我们的模型通过观看RGBD或RGB视频流并确定正确预测未来帧外观的平移和旋转速度来学习估计相机运动。我们的方法不同于最近关于自监督结构自运动的其他工作，它使用连续运动公式和刚体运动场的表示，而不是直接预测摄像机参数。为了使估计在具有多个运动对象的动态环境中具有鲁棒性，我们引入了一个简单的两分量分割过程，该过程将刚性背景环境与动态场景元素隔离开来。我们在几个基准自我运动数据集上演示了自训练模型的最新精度，并强调了该模型提供卓越旋转精度和处理非刚性场景运动的能力。

相关材料

[pdf格式]
[围巾]
@会议记录{Lee_2019_CVPR_Workshops，
作者={Lee，Minhaeng and Fowlkes，Charless C.}，
title={CeMNet:自我监督学习，用于准确的连续自我运动估计}，
booktitle={IEEE/CVF计算机视觉和模式识别（CVPR）研讨会会议记录}，
月={6月}，
年份=｛2019｝
}