論文の概要: On the uncertainty of self-supervised monocular depth estimation

• arxiv url: http://arxiv.org/abs/2005.06209v1
• Date: Wed, 13 May 2020 09:00:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 13:16:23.731418
• Title: On the uncertainty of self-supervised monocular depth estimation
• Title（参考訳）: 自己教師付き単眼深度推定の不確かさについて
• Authors: Matteo Poggi, Filippo Aleotti, Fabio Tosi, Stefano Mattoccia
• Abstract要約: 単眼深度推定のための自己監督的パラダイムは、基礎的な真理アノテーションを全く必要としないため、非常に魅力的である。 我々は,このタスクの不確かさを推定する方法と,これが深さ精度にどのように影響するかを初めて検討する。 自己教師型アプローチに特化して設計された,斬新な手法を提案する。
• 参考スコア（独自算出の注目度）: 52.13311094743952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised paradigms for monocular depth estimation are very appealing since they do not require ground truth annotations at all. Despite the astonishing results yielded by such methodologies, learning to reason about the uncertainty of the estimated depth maps is of paramount importance for practical applications, yet uncharted in the literature. Purposely, we explore for the first time how to estimate the uncertainty for this task and how this affects depth accuracy, proposing a novel peculiar technique specifically designed for self-supervised approaches. On the standard KITTI dataset, we exhaustively assess the performance of each method with different self-supervised paradigms. Such evaluation highlights that our proposal i) always improves depth accuracy significantly and ii) yields state-of-the-art results concerning uncertainty estimation when training on sequences and competitive results uniquely deploying stereo pairs.
• Abstract（参考訳）: 単眼深度推定のための自己監督パラダイムは、基礎的な真理アノテーションを全く必要としないため、非常に魅力的である。 このような手法によって得られた驚くべき結果にもかかわらず、推定深度マップの不確かさを推論する学習は、実際的な応用にとって最重要であり、文献にはない。 本研究は,本課題に対する不確実性の評価方法と,それが深度精度に与える影響を初めて検討し,自己教師型アプローチに特有な手法を提案する。 標準のKITTIデータセットを用いて、各手法の性能を異なる自己監督パラダイムで徹底的に評価する。 このような評価は我々の提案が 一 常に深度精度を著しく改善する 二 ステレオペアを一意に配置したシーケンス及び競合結果の訓練において、不確実性推定に関する最新の結果を得る。

関連論文リスト

• MonoProb: Self-Supervised Monocular Depth Estimation with Interpretable Uncertainty [4.260312058817663]
  自己監督型単眼深度推定法は, 環境分析における自律走行車などの重要な応用に利用されることを目的としている。 解釈不能な不確実性を返す新しい教師なし単分子深度推定法であるMonoProbを提案する。 実験では,標準深度と不確実性の測定値について,本手法により達成された改善点を強調した。
  論文  参考訳（メタデータ） (2023-11-10T15:55:14Z)
• EC-Depth: Exploring the consistency of self-supervised monocular depth estimation in challenging scenes [36.44321460703116]
  EC-Depthは、堅牢な深さ推定を実現するための、新しい自己教師型2段階フレームワークである。 第1段階では、信頼性の高い監督を標準から挑戦的な場面に広めるために、奥行き整合正則化を提案する。 第2段階では、疑似ラベルの品質を向上させるために、一貫性に基づく新しい擬似ラベルフィルタリング戦略を採用する。
  論文  参考訳（メタデータ） (2023-10-12T05:34:45Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• On the Sins of Image Synthesis Loss for Self-supervised Depth Estimation [60.780823530087446]
  画像合成の改善は深度推定の改善を必要としないことを示す。 この発散現象は、データから生じるアレラトリックな不確実性に起因している。 この観察された発散は、以前に報告されたり、深く研究されたりしていない。
  論文  参考訳（メタデータ） (2021-09-13T17:57:24Z)
• Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
  自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。 相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。 本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
  論文  参考訳（メタデータ） (2021-05-28T09:23:05Z)
• Adaptive confidence thresholding for monocular depth estimation [83.06265443599521]
  本稿では,自己教師付ステレオマッチング法から生成されたステレオ画像の擬似地上真実深度マップを利用する新しい手法を提案する。 擬似地底深度マップの信頼度マップを推定し、不正確な擬似地底深度マップによる性能劣化を緩和する。 実験結果から, 最先端の単分子深度推定法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2020-09-27T13:26:16Z)
• Real-Time Uncertainty Estimation in Computer Vision via Uncertainty-Aware Distribution Distillation [18.712408359052667]
  本研究では,事前学習したドロップアウトモデルの条件付き予測分布を学習するための,簡易かつ簡便な蒸留法を提案する。 提案手法の有効性を,意味的セグメンテーションと深さ推定の両方で実証的に検証した。
  論文  参考訳（メタデータ） (2020-07-31T05:40:39Z)
• Uncertainty-Aware CNNs for Depth Completion: Uncertainty from Beginning to End [18.49954482336334]
  本稿では, 疎雑音入力から最終予測まで, 深度データの不確かさのモデル化に着目する。 正規化畳み込みニューラルネットワーク(NCNN)に基づく自己教師型入力信頼度推定器を学習し,入力中の乱れの測定値を特定する手法を提案する。 深度推定のためのKITTIデータセットに対するアプローチを評価すると、予測精度、不確実性尺度の品質、計算効率の点で既存のベイズディープラーニングアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T10:18:35Z)
• Pitfalls of In-Domain Uncertainty Estimation and Ensembling in Deep Learning [70.72363097550483]
  本研究では,画像分類における領域内不確実性に着目した。 そこで本研究では,ディープアンサンブル等価スコア(DEE)を導入する。
  論文  参考訳（メタデータ） (2020-02-15T23:28:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。