論文の概要: Non-Local Spatial Propagation Network for Depth Completion

• arxiv url: http://arxiv.org/abs/2007.10042v1
• Date: Mon, 20 Jul 2020 12:26:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 13:57:44.150013
• Title: Non-Local Spatial Propagation Network for Depth Completion
• Title（参考訳）: 深度完了のための非局所空間伝搬ネットワーク
• Authors: Jinsun Park, Kyungdon Joo, Zhe Hu, Chi-Kuei Liu, In So Kweon
• Abstract要約: 本研究では,深度完了のための堅牢で効率的な非局所的空間伝搬ネットワークを提案する。 提案するネットワークは,RGBとスパース深度画像を入力とし,各画素の非局所的近傍とその親和性を推定する。 提案アルゴリズムは,混合深度問題に対する深度補完精度とロバスト性の観点から,従来のアルゴリズムよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 82.60915972250706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In this paper, we propose a robust and efficient end-to-end non-local spatial propagation network for depth completion. The proposed network takes RGB and sparse depth images as inputs and estimates non-local neighbors and their affinities of each pixel, as well as an initial depth map with pixel-wise confidences. The initial depth prediction is then iteratively refined by its confidence and non-local spatial propagation procedure based on the predicted non-local neighbors and corresponding affinities. Unlike previous algorithms that utilize fixed-local neighbors, the proposed algorithm effectively avoids irrelevant local neighbors and concentrates on relevant non-local neighbors during propagation. In addition, we introduce a learnable affinity normalization to better learn the affinity combinations compared to conventional methods. The proposed algorithm is inherently robust to the mixed-depth problem on depth boundaries, which is one of the major issues for existing depth estimation/completion algorithms. Experimental results on indoor and outdoor datasets demonstrate that the proposed algorithm is superior to conventional algorithms in terms of depth completion accuracy and robustness to the mixed-depth problem. Our implementation is publicly available on the project page.
• Abstract（参考訳）: 本稿では,奥行き完了のための堅牢で効率的な非局所空間伝搬ネットワークを提案する。 提案ネットワークは,RGBとスパース深度画像を入力とし,各画素の非局所的隣人とその親和性を推定し,画素単位の信頼度を持つ初期深度マップを作成する。 初期深度予測は、予測された非局所近傍と対応する親和性に基づいて、その信頼度と非局所空間伝播手順により反復的に洗練される。 固定局所近傍を利用する従来のアルゴリズムとは異なり、提案手法は非関係な局所近傍を効果的に回避し、伝播中に関連する非局所近傍に集中する。 さらに,学習可能な親和性正規化を導入し,親和性の組み合わせをよりよく学習する。 提案アルゴリズムは,既存の深度推定/補完アルゴリズムの主要な問題の一つである深度境界の混合深度問題に対して本質的に堅牢である。 室内および屋外のデータセットにおける実験結果から,提案アルゴリズムは混合深度問題に対する深度完了精度とロバスト性の観点から従来のアルゴリズムよりも優れていることが示された。 私たちの実装はプロジェクトページで公開されています。

関連論文リスト

• Unrolled denoising networks provably learn optimal Bayesian inference [54.79172096306631]
  我々は、近似メッセージパッシング(AMP)のアンロールに基づくニューラルネットワークの最初の厳密な学習保証を証明した。 圧縮センシングでは、製品から引き出されたデータに基づいてトレーニングを行うと、ネットワークの層がベイズAMPで使用されるのと同じデノイザーに収束することを示す。
  論文  参考訳（メタデータ） (2024-09-19T17:56:16Z)
• Dencentralized learning in the presence of low-rank noise [57.18977364494388]
  ネットワーク内のエージェントが収集した観測は、観測ノイズや干渉のために信頼性が低い。 本稿では,各ノードが自身の観測の信頼性を向上させる分散アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-18T09:13:57Z)
• Dynamic Spatial Propagation Network for Depth Completion [6.3447233767041356]
  本稿では,周辺画素間の親和性を注目に基づくアプローチで学習する効率的なモデルを提案する。 実際に,本手法では,他のSPNの性能に適合するイテレーションを少なくし,全体としてより優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-02-20T09:43:17Z)
• DDPG-Driven Deep-Unfolding with Adaptive Depth for Channel Estimation with Sparse Bayesian Learning [23.158142411929322]
  まず,異なる入力に対して適応的な深さを持つDDPG(Deep Deterministic Policy gradient)駆動のディープアンフォールディングの枠組みを開発する。 具体的には,大規模マルチインプットマルチアウトプットシステムにおけるチャネル推定問題に対処するために,このフレームワークを用いる。
  論文  参考訳（メタデータ） (2022-01-20T22:35:42Z)
• Deep learning via message passing algorithms based on belief propagation [2.931240348160871]
  本稿では,局所的なエントロピー分布に偏りを持つ強化場を有するBPベースのメッセージパッシングアルゴリズムのファミリについて述べる。 これらのアルゴリズムは、SGDにインスパイアされたソリューションに匹敵するパフォーマンスで、離散重みとアクティベーションを持つ多層ニューラルネットワークをトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-10-27T16:52:26Z)
• Edge-aware Bidirectional Diffusion for Dense Depth Estimation from Light Fields [31.941861222005603]
  本研究では,光場から深度エッジと勾配のスパースセットを用いて高速かつ正確な深度マップを推定するアルゴリズムを提案する。 提案手法は,テクスチャエッジよりも深度エッジの方が局所的制約に敏感であるという考え方に基づいている。
  論文  参考訳（メタデータ） (2021-07-07T01:26:25Z)
• Community detection using fast low-cardinality semidefinite programming [94.4878715085334]
  局所的な更新を一般化し、ライデン-k-カットから導かれる半定緩和を最大化する、新しい低カルチナリティアルゴリズムを提案する。 提案アルゴリズムはスケーラビリティが高く,最先端のアルゴリズムより優れ,実時間では性能が向上し,追加コストがほとんどない。
  論文  参考訳（メタデータ） (2020-12-04T15:46:30Z)
• A Weighted Mutual k-Nearest Neighbour for Classification Mining [4.538870924201896]
  kNNは非常に効果的なインスタンスベースの学習方法であり、実装が容易です。 本稿では,データセットから疑似近傍の異常検出と除去を行う新しい学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-14T18:11:30Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。