論文の概要: Adaptive confidence thresholding for monocular depth estimation

• arxiv url: http://arxiv.org/abs/2009.12840v3
• Date: Mon, 23 Aug 2021 07:44:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 03:45:12.464136
• Title: Adaptive confidence thresholding for monocular depth estimation
• Title（参考訳）: 単眼深度推定のための適応的信頼閾値設定
• Authors: Hyesong Choi, Hunsang Lee, Sunkyung Kim, Sunok Kim, Seungryong Kim, Kwanghoon Sohn, Dongbo Min
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 83.06265443599521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-supervised monocular depth estimation has become an appealing solution to the lack of ground truth labels, but its reconstruction loss often produces over-smoothed results across object boundaries and is incapable of handling occlusion explicitly. In this paper, we propose a new approach to leverage pseudo ground truth depth maps of stereo images generated from self-supervised stereo matching methods. The confidence map of the pseudo ground truth depth map is estimated to mitigate performance degeneration by inaccurate pseudo depth maps. To cope with the prediction error of the confidence map itself, we also leverage the threshold network that learns the threshold dynamically conditioned on the pseudo depth maps. The pseudo depth labels filtered out by the thresholded confidence map are used to supervise the monocular depth network. Furthermore, we propose the probabilistic framework that refines the monocular depth map with the help of its uncertainty map through the pixel-adaptive convolution (PAC) layer. Experimental results demonstrate superior performance to state-of-the-art monocular depth estimation methods. Lastly, we exhibit that the proposed threshold learning can also be used to improve the performance of existing confidence estimation approaches.
• Abstract（参考訳）: 自己教師付き単眼深度推定は基底真理ラベルの欠如に対する魅力的な解決策となっているが、その再構成損失はしばしばオブジェクト境界を越えた過剰な結果をもたらし、明示的に咬合を処理できない。 本稿では,自己教師型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基底真理深度マップを利用する新しい手法を提案する。 擬似基底深度マップの信頼度マップを推定し、不正確な擬似深度マップによる性能劣化を軽減する。 また、信頼マップ自体の予測誤差に対処するために、疑似深度マップ上で動的に条件付けられた閾値を学習するしきい値ネットワークを利用する。 しきい値付き信頼度マップでフィルタされた擬似深度ラベルを用いて、単眼深度ネットワークを監督する。 さらに,画素適応畳み込み(PAC)層による不確実性マップの助けを借りて,単眼深度マップを改良する確率的フレームワークを提案する。 実験結果は,最先端の単眼深度推定法よりも優れた性能を示す。 最後に,提案したしきい値学習は,既存の信頼度推定手法の性能向上にも有効であることを示す。

関連論文リスト

• Unveiling the Depths: A Multi-Modal Fusion Framework for Challenging Scenarios [103.72094710263656]
  本稿では,学習に基づくフレームワークを用いて,支配的モダリティの奥行きを識別し,統合する手法を提案する。 本稿では,信頼度予測ネットワークを操り,潜在電位深度領域を特定する信頼マップを作成する新しい信頼損失を提案する。 得られた信頼度マップを用いて,最終深度をエンドツーエンドに融合するマルチモーダル融合ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-02-19T04:39:16Z)
• Stereo-Matching Knowledge Distilled Monocular Depth Estimation Filtered by Multiple Disparity Consistency [31.261772846687297]
  複数の不均一マップを用いて擬似深度マップの誤りを特定しフィルタする手法を提案する。 実験の結果,提案手法は従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T15:05:05Z)
• Learning Occlusion-Aware Coarse-to-Fine Depth Map for Self-supervised Monocular Depth Estimation [11.929584800629673]
  自己教師付き単眼深度推定のためのOcclusion-aware Coarse-to-Fine Depth Mapを学習するための新しいネットワークを提案する。 提案したOCFD-Netは,粗度深度マップの学習に離散深度制約を用いるだけでなく,シーン深度残差の学習にも連続深度制約を用いる。
  論文  参考訳（メタデータ） (2022-03-21T12:43:42Z)
• Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
  本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。 提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
  論文  参考訳（メタデータ） (2021-12-15T05:22:34Z)
• Pseudo Supervised Monocular Depth Estimation with Teacher-Student Network [90.20878165546361]
  疑似監視機構に基づく新しい教師なし深度推定手法を提案する。 これは、教師なしおよび教師なしの単分子深度推定の利点を戦略的に統合する。 実験の結果,提案手法はKITTIベンチマークの最先端性よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-22T01:08:36Z)
• Weakly-Supervised Monocular Depth Estimationwith Resolution-Mismatched Data [73.9872931307401]
  単眼深度推定ネットワークをトレーニングするための弱教師付きフレームワークを提案する。 提案フレームワークは, 共有重量単分子深度推定ネットワークと蒸留用深度再構成ネットワークから構成される。 実験結果から,本手法は教師なし・半教師付き学習ベース方式よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2021-09-23T18:04:12Z)
• Progressive Depth Learning for Single Image Dehazing [56.71963910162241]
  既存の脱湿法は、しばしば深度を無視し、より重いヘイズが視界を乱す遠くの地域で失敗する。 画像深度と伝送マップを反復的に推定するディープエンドツーエンドモデルを提案する。 私たちのアプローチは、画像深度と伝送マップの内部関係を明示的にモデリングすることから利益を得ます。
  論文  参考訳（メタデータ） (2021-02-21T05:24:18Z)
• 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)
• Adversarial Patch Attacks on Monocular Depth Estimation Networks [7.089737454146505]
  単眼深度推定における逆パッチ攻撃法を提案する。 我々は,対象の手法を騙して,パターンが配置されている領域の誤り深さを推定できる人工パターンを生成する。 実際のシーンに印刷されたパターンを物理的に配置することで,本手法を実世界で実現することができる。
  論文  参考訳（メタデータ） (2020-10-06T22:56:22Z)
• SAFENet: Self-Supervised Monocular Depth Estimation with Semantic-Aware Feature Extraction [27.750031877854717]
  本稿では,セマンティック情報を活用して光度損失の限界を克服するSAFENetを提案する。 私たちのキーとなるアイデアは、意味的知識と幾何学的知識を統合するセマンティック・アウェア・ディープ機能を活用することです。 KITTIデータセットの実験では、我々の手法が最先端の手法と競合するか、さらに優れています。
  論文  参考訳（メタデータ） (2020-10-06T17:22:25Z)

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。