論文の概要: Adjusting Bias in Long Range Stereo Matching: A semantics guided
approach
- arxiv url: http://arxiv.org/abs/2009.04629v2
- Date: Tue, 10 Nov 2020 01:30:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 03:36:51.393671
- Title: Adjusting Bias in Long Range Stereo Matching: A semantics guided
approach
- Title（参考訳）: 長距離ステレオマッチングにおけるバイアス調整:意味論的アプローチ
- Authors: WeiQin Chuah, Ruwan Tennakoon, Reza Hoseinnezhad, Alireza
Bab-Hadiashar, David Suter
- Abstract要約: 本研究では,フォアグラウンドとバックグラウンドを分離した2つの新しい深度に基づく損失関数を提案する。
これらの損失関数はチューナブルであり、ステレオ学習アルゴリズムの固有のバイアスのバランスをとることができる。
特に50mを超える距離にある物体に対しては, 差分推定と深さ推定の大幅な改善が期待できる。
- 参考スコア（独自算出の注目度）: 14.306250516592305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Stereo vision generally involves the computation of pixel correspondences and
estimation of disparities between rectified image pairs. In many applications,
including simultaneous localization and mapping (SLAM) and 3D object detection,
the disparities are primarily needed to calculate depth values and the accuracy
of depth estimation is often more compelling than disparity estimation. The
accuracy of disparity estimation, however, does not directly translate to the
accuracy of depth estimation, especially for faraway objects. In the context of
learning-based stereo systems, this is largely due to biases imposed by the
choices of the disparity-based loss function and the training data.
Consequently, the learning algorithms often produce unreliable depth estimates
of foreground objects, particularly at large distances~($>50$m). To resolve
this issue, we first analyze the effect of those biases and then propose a pair
of novel depth-based loss functions for foreground and background, separately.
These loss functions are tunable and can balance the inherent bias of the
stereo learning algorithms. The efficacy of our solution is demonstrated by an
extensive set of experiments, which are benchmarked against state of the art.
We show on KITTI~2015 benchmark that our proposed solution yields substantial
improvements in disparity and depth estimation, particularly for objects
located at distances beyond 50 meters, outperforming the previous state of the
art by $10\%$.
- Abstract（参考訳）: ステレオビジョンは一般にピクセル対応の計算と、直交した画像ペア間の差の推定を含む。
同時測位・マッピング(slam)や3次元物体検出を含む多くの応用において、深度値を計算するためには主に差が必要であり、深さ推定の精度はずれ推定よりも魅力的であることが多い。
しかし,不均一度推定の精度は,特に遠距離物体の深度推定の精度に直接は変換されない。
学習に基づくステレオシステムの文脈では、これは主に、格差に基づく損失関数とトレーニングデータの選択によって課されるバイアスによるものである。
その結果、学習アルゴリズムは、特に大きな距離〜($>50$m)で、フォアグラウンドオブジェクトの信頼できない深さ推定を生成する。
この問題を解決するために,まずこれらのバイアスの影響を分析し,前景と背景の深さに基づく新しい損失関数を別々に提案する。
これらの損失関数はチューナブルであり、ステレオ学習アルゴリズム固有のバイアスのバランスをとることができる。
提案手法の有効性は,最先端技術に対してベンチマークした広範な実験によって実証された。
我々は,KITTI~2015ベンチマークにおいて,50mを超える距離の物体に対して,提案手法により差分と深さの推定が大幅に向上し,従来よりも10\%の値が得られたことを示す。
関連論文リスト
- Depth Refinement for Improved Stereo Reconstruction [13.941756438712382]
立体画像からの深度推定の現在の技術は、なおも内蔵の欠点に悩まされている。
簡単な解析により、深度誤差は物体の距離に2乗比例することが明らかになった。
本研究では,深度推定に改良ネットワークを用いた簡易かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2021-12-15T12:21:08Z) - 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) - Object Disparity [0.0]
本稿では,高密度画素差を直接検出して3次元物体距離検出を行う方法を提案する。
圧縮ネットオブジェクト分散-SSDの例は、Kittiデータセットの分散基底真理と比較した場合の精度で、効率的なオブジェクト分散検出を示すために構築された。
論文 参考訳（メタデータ） (2021-08-18T02:11:28Z) - Probabilistic and Geometric Depth: Detecting Objects in Perspective [78.00922683083776]
3次元物体検出は、運転支援システムなどの様々な実用用途で必要とされる重要な機能である。
双眼視やLiDARに頼っている従来の設定に比べて、経済的な解決策として単眼3D検出が注目されているが、それでも満足のいく結果が得られていない。
本稿ではまず,この問題に関する系統的研究を行い,現在の単分子3次元検出問題をインスタンス深度推定問題として単純化できることを考察する。
論文 参考訳（メタデータ） (2021-07-29T16:30:33Z) - Geometry Uncertainty Projection Network for Monocular 3D Object
Detection [138.24798140338095]
本稿では,予測および学習段階の誤り増幅問題に対処するために,幾何不確実性予測ネットワーク(GUP Net)を提案する。
具体的には, GUPモジュールを提案し, 推定深さの幾何誘導不確かさを求める。
トレーニング段階では,エラー増幅による不安定性を低減するための階層型タスク学習戦略を提案する。
論文 参考訳（メタデータ） (2021-07-29T06:59:07Z) - Direct Depth Learning Network for Stereo Matching [79.3665881702387]
ステレオマッチングのための新しいダイレクトディープス学習ネットワーク(DDL-Net)が設計されている。
DDL-Netは、粗度推定段階と適応勾配深度補正段階の2段階からなる。
我々は,DDL-NetがSceneFlowデータセットで25%,DrivingStereoデータセットで12%の平均的な改善を実現していることを示す。
論文 参考訳（メタデータ） (2020-12-10T10:33:57Z) - Variational Monocular Depth Estimation for Reliability Prediction [12.951621755732544]
教師付き学習手法の代替として,単眼深度推定のための自己教師付き学習が広く研究されている。
従来はモデル構造の変更による深度推定の精度向上に成功している。
本稿では, 単眼深度推定のための変分モデルを理論的に定式化し, 推定深度画像の信頼性を推定する。
論文 参考訳（メタデータ） (2020-11-24T06:23:51Z) - Wasserstein Distances for Stereo Disparity Estimation [62.09272563885437]
既定義の離散値の集合上の分布を出力する、奥行き推定や不均一推定への既存のアプローチ。
これにより、真の深さや差がこれらの値と一致しない場合に、不正確な結果をもたらす。
任意の深さの値を出力できる新しいニューラルネットワークアーキテクチャを用いて、これらの問題に対処する。
論文 参考訳（メタデータ） (2020-07-06T21:37:50Z) - Towards Better Generalization: Joint Depth-Pose Learning without PoseNet [36.414471128890284]
自己教師型共同深層学習におけるスケール不整合の本質的問題に対処する。
既存の手法の多くは、全ての入力サンプルで一貫した深さとポーズを学習できると仮定している。
本稿では,ネットワーク推定からスケールを明示的に切り離す新しいシステムを提案する。
論文 参考訳（メタデータ） (2020-04-03T00:28:09Z) - Occlusion-Aware Depth Estimation with Adaptive Normal Constraints [85.44842683936471]
カラービデオから多フレーム深度を推定する新しい学習手法を提案する。
本手法は深度推定精度において最先端の手法より優れる。
論文 参考訳（メタデータ） (2020-04-02T07:10:45Z) - Fast Depth Estimation for View Synthesis [9.243157709083672]
ステレオ画像のシーケンスからの距離/深さを推定することは、3次元視覚において重要な要素である。
本稿では,拡張畳み込み,密結合型畳み込みモジュール,コンパクトデコーダ,スキップ接続を利用した新しい学習ベースフレームワークを提案する。
筆者らのネットワークは,それぞれ45%,34%の深さ推定とビュー合成を平均的に改善し,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-14T14:10:42Z)
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。