論文の概要: A New Distributional Ranking Loss With Uncertainty: Illustrated in
Relative Depth Estimation
- arxiv url: http://arxiv.org/abs/2010.07091v1
- Date: Wed, 14 Oct 2020 13:47:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 13:36:02.253995
- Title: A New Distributional Ranking Loss With Uncertainty: Illustrated in
Relative Depth Estimation
- Title（参考訳）: 不確実性のある新しい分布ランク付け損失:相対的深さ推定の例
- Authors: Alican Mertan, Yusuf Huseyin Sahin, Damien Jade Duff, Gozde Unal
- Abstract要約: 単一画像からの相対深度推定問題に対する新しいアプローチを提案する。
奥行きスコアを直接回帰する代わりに、この問題を深さを超える確率分布の推定として定式化する。
本モデルでは,より近い画素の深さよりも近い画素の深さの確率を高めるために,新たなランキング損失である分布損失を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new approach for the problem of relative depth estimation from a
single image. Instead of directly regressing over depth scores, we formulate
the problem as estimation of a probability distribution over depth and aim to
learn the parameters of the distributions which maximize the likelihood of the
given data. To train our model, we propose a new ranking loss, Distributional
Loss, which tries to increase the probability of farther pixel's depth being
greater than the closer pixel's depth. Our proposed approach allows our model
to output confidence in its estimation in the form of standard deviation of the
distribution. We achieve state of the art results against a number of baselines
while providing confidence in our estimations. Our analysis show that estimated
confidence is actually a good indicator of accuracy. We investigate the usage
of confidence information in a downstream task of metric depth estimation, to
increase its performance.
- Abstract（参考訳）: 単一画像からの相対深度推定問題に対する新しいアプローチを提案する。
奥行きスコアを直接回帰する代わりに、この問題を深さを超える確率分布の推定として定式化し、与えられたデータの確率を最大化する分布のパラメータを学習することを目的とする。
そこで本研究では,より深い画素の深さがより近い画素の深さよりも大きい確率を増加させようとする新しいランキング損失,分布損失を提案する。
提案手法により,分布の標準偏差という形で,推定に対する信頼度を出力できる。
評価の信頼性を確保しつつ,多くのベースラインに対して技術結果の状態を達成している。
分析の結果,推定信頼度は精度の良い指標であることがわかった。
距離深度推定の下流課題における信頼度情報の利用について検討し,その性能向上を図る。
関連論文リスト
- Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - 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) - Single Image Depth Prediction Made Better: A Multivariate Gaussian Take [163.14849753700682]
本稿では,画素ごとの深度を連続的にモデル化する手法を提案する。
提案手法の精度(MG)は,KITTI深度予測ベンチマークリーダーボードの上位に位置する。
論文 参考訳（メタデータ） (2023-03-31T16:01:03Z) - Learning Confidence for Transformer-based Neural Machine Translation [38.679505127679846]
本稿では,ニューラルネットワーク翻訳(NMT)モデルのトレーニングと協調して,教師なしの信頼度推定学習を提案する。
我々は、NMTモデルが正しい予測を行うために必要なヒントの数として、信頼性を説明し、より多くのヒントは信頼性の低いことを示す。
学習された信頼度推定は文・単語レベルの品質評価タスクにおいて高い精度が得られることを示す。
論文 参考訳（メタデータ） (2022-03-22T01:51:58Z) - 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) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。
フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。
本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文 参考訳（メタデータ） (2021-01-05T18:54:11Z) - 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) - 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) - PIVEN: A Deep Neural Network for Prediction Intervals with Specific
Value Prediction [14.635820704895034]
PIと値予測の両方を生成するディープニューラルネットワークであるPIVENを提案する。
提案手法では,PI内のデータ分布に関する仮定は行わず,実世界の様々な問題に対して,その価値予測をより効果的に行う。
論文 参考訳（メタデータ） (2020-06-09T09:29:58Z)
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。