推送主题：【灾害管家】用于模拟灾害场景的大型虚拟数据集
论文英文标题： disc : a large-scalevirtualdatasetforsimulatingdisasterscenarios
论文中译主题：光盘：模拟灾害场景的大规模虚拟数据集
资料来源：机器人领域顶级大会- the 2019 IEEINATIOnal Conference Onintel Ligent Robot Sand Systems (IROS 2019 ) ) )。
作者： Hae-Gon Jeon，Sunghoon Im，Byeong-Uk Lee，谷歌之选，Martial Hebe rt和in so kwe on
编译： fzdm，外宣部排版者，内向刺猬，刘博艺
正在加载视频.
英文摘要： Abstract— In this paper， wepresentthefirstlarge-scalesyntheticdatasetforvisualperceptionindisasterscenariosandanalyzestate-of-the-artmethodsfor lines.wesimulatedbeforeandafterdisasterscenariossuchasfireandbuildingcollapseforfiftendiffererios cationsinrealisticvirtualwon ore than 300 k高分辨率图像通道，Allannotatedwithground -可信数据性能分析，深度，光学流andcameraposeestimation.tocreaterealisticdisasterscenes， wemanuallyaugmentedtheeffectswith3dmodelsusingphysical-basedgraphicstools.weuseourdatasettotrainstate-of-the-artmethethte zedisastersituationsandproducereliableresultsonvirtualscenesaswellasreal -世界图像. theresuuuus Ainedfromeachtaskarethenuss lodometrynetworkforgenerating3dmapsofbuildingsonfire.finally，wedisculy
中译摘要：本文提出了灾害场景下视觉感知的第一个大规模综合数据集，运用参考基线分析了许多计算机视觉任务的最新方法。 我们在现实虚拟世界的15个不同位置模拟了火灾和建筑物倒塌等灾害前后的场景。 该数据集包含超过300K的高分辨率立体图像对，所有对都标注了地面实际数据，用于语义分割、深度、光流、表面法线估计和相机姿态估计。 为了创建逼真的灾害现场，使用基于物理的图形工具在3D模型中手动增强了效果。 培训如何使用我们的数据集生成最先进的方法，评估这些方法在多大程度上了解灾难情况，并对虚拟场景和真实世界的图像产生可靠的结果。 然后，将从各任务中得到的结果用作所提出的视觉里程表网络的输入，生成火灾中建筑物的3D地图。 最后，我们讨论了未来研究的挑战。
核心内容：
(a )灾害前的情况
(b )灾后情况
(c )真正的结果
p>图1. DISC的示例：我们为立体图像序列提供相应的地面数据，包括灾难前后的深度图，表面法线，光流，语义标签和相机姿态。图2.虚拟3D模型，用于生成具有各种场景背景，光照条件和材质的DISC。 （室内）家具店，客厅，办公室，警察局，住宅，仓库，学校和旧城堡。 （室外）城市景观1，城市景观2，郊区和公园（地下）地铁站，隧道和地下通道。
图3.模拟火灾场景的示例。（a）烟灰图像样本（b）烟灰补丁组成（c）增加光源的灾害影响
图4.模拟倒塌场景的示例。（a）坍塌之前（b）破裂3D模型（c）散布小碎片。
图5.在视频编辑程序中，在Unity中比较标记流体，例如火焰和烟雾。
图6.提供的火灾案例标签示例。 深灰色：烟（软标签），浅黄色：火（软标签），灰色：烟，红色：火，黄色：家具，橙色：墙，紫色：天花板。 软标签表示火焰和烟雾的高度详细的保留透明度的细分
表一 16个类的语义分割 DISC上的微调（FT）。 （措施：平均值）
（a） DISC （从左到右）不带和带FT的GT图像。
（b） 实际结果
图7.语义分割基准的示例。
图8.表面法线估计
表二 单幅图像的表面法线。 角度误差的平均值和中位数（越低越好），误差小于11.25的像素的百分比（越高越好）
表三 立体声比赛。 平均差像素率，视差误差比5像素（BPR5）和7像素（BPR7）小，而烟雾场景的均方根误差（低者）
图9. DISC上的立体声匹配结果, 基准：PSMNet
图10.现实场景中的立体匹配结果
表四 光学流量。 烟雾场景中的平均BPR和EPE（越低越好）。
图11. DISC上的光流结果, 基准：PWCNet
图12. PWCNet的结果以及真实场景中参考图像和扭曲图像之间的内插误差。
表五 相机重新定位。 平均位置误差和角度误差（越小越好）。
图13.相机重新定位会导致崩溃
图14.拟议的视觉里程计网络概述。
表六 反对LVon ET的拟议网络性能的比较。 W E报告平均位置误差和角度误差（越小越好）。
主要实验情况：
图15.着火的建筑物中的3D地图重建（学校）。 着火点标记为红色。