DeepKalPose: An Enhanced Deep-Learning Kalman Filter for Temporally Consistent Monocular Vehicle Pose Estimation

要約

この論文では、深層学習ベースのカルマン フィルターを通じてビデオに適用される単眼車両姿勢推定の時間的一貫性を強化する新しいアプローチである DeepKalPose を紹介します。
順方向および逆方向の時系列処理を利用した双方向カルマン フィルター戦略を統合し、複雑な動作パターンを表す学習可能な動作モデルと組み合わせることで、私たちの方法は、特に遮蔽された車両や遠く離れた車両の場合、さまざまな条件にわたってポーズの精度とロバスト性を大幅に向上させます。
KITTI データセットの実験検証により、DeepKalPose がポーズの精度と時間的一貫性の両方において既存の方法よりも優れていることが確認されています。

要約(オリジナル)

This paper presents DeepKalPose, a novel approach for enhancing temporal consistency in monocular vehicle pose estimation applied on video through a deep-learning-based Kalman Filter. By integrating a Bi-directional Kalman filter strategy utilizing forward and backward time-series processing, combined with a learnable motion model to represent complex motion patterns, our method significantly improves pose accuracy and robustness across various conditions, particularly for occluded or distant vehicles. Experimental validation on the KITTI dataset confirms that DeepKalPose outperforms existing methods in both pose accuracy and temporal consistency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google