論文の概要: Self-Supervised Scale Recovery for Monocular Depth and Egomotion Estimation

• arxiv url: http://arxiv.org/abs/2009.03787v5
• Date: Sun, 1 May 2022 16:54:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-20 21:28:45.178948
• Title: Self-Supervised Scale Recovery for Monocular Depth and Egomotion Estimation
• Title（参考訳）: 単眼深度の自己教師付きスケールリカバリと運動推定
• Authors: Brandon Wagstaff, Jonathan Kelly
• Abstract要約: 本稿では、既知のカメラ高さと推定カメラ高さとの整合性を強制する、新しいスケール回復損失を提案する。 提案手法は,より多くの情報を必要とする他のスケールリカバリ手法と競合することを示す。
• 参考スコア（独自算出の注目度）: 8.063452011959933
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The self-supervised loss formulation for jointly training depth and egomotion neural networks with monocular images is well studied and has demonstrated state-of-the-art accuracy. One of the main limitations of this approach, however, is that the depth and egomotion estimates are only determined up to an unknown scale. In this paper, we present a novel scale recovery loss that enforces consistency between a known camera height and the estimated camera height, generating metric (scaled) depth and egomotion predictions. We show that our proposed method is competitive with other scale recovery techniques that require more information. Further, we demonstrate that our method facilitates network retraining within new environments, whereas other scale-resolving approaches are incapable of doing so. Notably, our egomotion network is able to produce more accurate estimates than a similar method which recovers scale at test time only.
• Abstract（参考訳）: 単眼画像を用いた協調訓練深度と自走神経回路の自己教師型損失定式化について検討し,最先端の精度を実証した。 しかし、このアプローチの主な制限の1つは、深さとエゴモーションの推定が未知のスケールまでしか決定されないことである。 本稿では,既知のカメラ高さと推定カメラ高さの一貫性を強制し,距離(スケールド)とエゴモーション予測を生成する新しいスケールリカバリ損失を提案する。 提案手法は,より多くの情報を必要とする他のスケールリカバリ手法と競合することを示す。 さらに,本手法では新たな環境下でのネットワークリトレーニングが容易であり,他のスケールリゾルディング手法では実現できないことを示す。 特に、egomotionネットワークは、テスト時間のみスケールを回復する類似の方法よりも正確な推定を行うことができます。

関連論文リスト

• GroCo: Ground Constraint for Metric Self-Supervised Monocular Depth [2.805351469151152]
  本稿では,自己監督パラダイムに特化して設計された地盤領域に関する新しい制約を提案する。 このメカニズムはスケールを正確に回復するだけでなく、深度予測と地上とのコヒーレンスを確保する。
  論文  参考訳（メタデータ） (2024-09-23T09:30:27Z)
• Pose Constraints for Consistent Self-supervised Monocular Depth and Ego-motion [0.0]
  時間的不整合を最小化するために、時間的一貫性損失のセットが導入された。 評価の結果,これらの制約の導入は深度不整合を低減させるだけでなく,深度とエゴモーション予測のベースライン性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-04-18T11:43:17Z)
• Image Masking for Robust Self-Supervised Monocular Depth Estimation [12.435468563991174]
  自己教師付き単眼深度推定は3次元シーン理解のための健全なタスクである。 自己教師付き単眼深度推定にマスク付き画像モデリングを適用するMIMDepthを提案する。
  論文  参考訳（メタデータ） (2022-10-05T15:57:53Z)
• SelfTune: Metrically Scaled Monocular Depth Estimation through Self-Supervised Learning [53.78813049373321]
  本稿では,事前学習した教師付き単分子深度ネットワークに対する自己教師付き学習手法を提案する。 本手法は移動ロボットナビゲーションなどの様々な応用に有用であり,多様な環境に適用可能である。
  論文  参考訳（メタデータ） (2022-03-10T12:28:42Z)
• 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)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Self-Supervised Structure-from-Motion through Tightly-Coupled Depth and Egomotion Networks [11.888728516442905]
  結合の概念を導入し、既存のアプローチを分類し、新しい密結合アプローチを提案する。 提案手法は,テスト時の深度とエゴモーション予測の整合性を向上し,新しいデータの一般化を促進し,室内および屋外の深度およびエゴモーション評価ベンチマークにおける最先端の精度をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-06-07T23:30:45Z)
• Unsupervised Monocular Depth Learning with Integrated Intrinsics and Spatio-Temporal Constraints [61.46323213702369]
  本研究は,大規模深度マップとエゴモーションを予測可能な教師なし学習フレームワークを提案する。 本結果は,KITTI運転データセットの複数シーケンスにおける現在の最先端技術と比較して,高い性能を示す。
  論文  参考訳（メタデータ） (2020-11-02T22:26:58Z)
• Calibrating Self-supervised Monocular Depth Estimation [77.77696851397539]
  近年、ニューラルネットワークが深度を学習し、画像のシーケンスに変化を起こさせる能力を示す方法は、訓練信号として自己スーパービジョンのみを使用している。 カメラの構成や環境に関する事前情報を取り入れることで,センサの追加に頼ることなく,自己教師型定式化を用いて,スケールのあいまいさを排除し,深度を直接予測できることを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:35:45Z)

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。