論文の概要: Deep Learning based Monocular Depth Prediction: Datasets, Methods and Applications

• arxiv url: http://arxiv.org/abs/2011.04123v1
• Date: Mon, 9 Nov 2020 01:03:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 01:18:34.068183
• Title: Deep Learning based Monocular Depth Prediction: Datasets, Methods and Applications
• Title（参考訳）: 深層学習に基づく単眼深度予測:データセット,方法,応用
• Authors: Qing Li, Jiasong Zhu, Jun Liu, Rui Cao, Qingquan Li, Sen Jia, Guoping Qiu
• Abstract要約: RGB画像から深度を推定することで、屋内のローカライゼーション、高さ推定、同時ローカライゼーションとマッピングなど、多くのコンピュータビジョンタスクが容易になる。 近年,深層学習技術の急速な発展により,単眼深度推定が大きな進歩を遂げている。
• 参考スコア（独自算出の注目度）: 31.06326714016336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating depth from RGB images can facilitate many computer vision tasks, such as indoor localization, height estimation, and simultaneous localization and mapping (SLAM). Recently, monocular depth estimation has obtained great progress owing to the rapid development of deep learning techniques. They surpass traditional machine learning-based methods by a large margin in terms of accuracy and speed. Despite the rapid progress in this topic, there are lacking of a comprehensive review, which is needed to summarize the current progress and provide the future directions. In this survey, we first introduce the datasets for depth estimation, and then give a comprehensive introduction of the methods from three perspectives: supervised learning-based methods, unsupervised learning-based methods, and sparse samples guidance-based methods. In addition, downstream applications that benefit from the progress have also been illustrated. Finally, we point out the future directions and conclude the paper.
• Abstract（参考訳）: RGB画像から深度を推定することは、屋内のローカライゼーション、高さ推定、同時ローカライゼーションとマッピング(SLAM)など、多くのコンピュータビジョンタスクを促進する。 近年,深層学習技術の急速な発展により,単眼深度推定が大きな進歩を遂げている。 精度とスピードの点で、従来の機械学習ベースの手法をはるかに上回る。 このトピックの急速な進歩にもかかわらず、現在の進捗を要約し、今後の方向性を提供するために必要な包括的なレビューが欠如している。 本調査では,まず深度推定のためのデータセットを紹介するとともに,教師あり学習法,教師なし学習法,スパースサンプル誘導法という3つの視点から手法を総合的に紹介する。 さらに、進歩の恩恵を受ける下流アプリケーションも説明されている。 最後に,今後の方向性を指摘し,論文をまとめる。

関連論文リスト

• Robust Geometry-Preserving Depth Estimation Using Differentiable Rendering [93.94371335579321]
  我々は、余分なデータやアノテーションを必要とせずに、幾何学保存深度を予測するためにモデルを訓練する学習フレームワークを提案する。 包括的な実験は、我々のフレームワークの優れた一般化能力を強調します。 我々の革新的な損失関数は、ドメイン固有のスケール・アンド・シフト係数を自律的に復元するモデルを可能にします。
  論文  参考訳（メタデータ） (2023-09-18T12:36:39Z)
• DEUX: Active Exploration for Learning Unsupervised Depth Perception [8.044217507775999]
  我々は,学習深度完了のための能動的,タスクインフォームドな深度不確実性に基づく運動計画手法を開発した。 提案手法は,ロボット学習に基づく深度推定の統合に関する新たな洞察を提供するとともに,ゼロショットの一般化をさらに改善することを示す。
  論文  参考訳（メタデータ） (2023-09-16T23:33:15Z)
• Self-Supervised Learning based Depth Estimation from Monocular Images [0.0]
  単色深度推定の目標は、入力として2次元単色RGB画像が与えられた深度マップを予測することである。 我々は、トレーニング中に固有のカメラパラメータを実行し、我々のモデルをさらに一般化するために天気増悪を適用することを計画している。
  論文  参考訳（メタデータ） (2023-04-14T07:14:08Z)
• Guided Depth Map Super-resolution: A Survey [88.54731860957804]
  誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。 近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。 この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
  論文  参考訳（メタデータ） (2023-02-19T15:43:54Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Deep Depth Completion: A Survey [26.09557446012222]
  我々は、読者が研究動向をよりよく把握し、現在の進歩を明確に理解するのに役立つ総合的な文献レビューを提供する。 ネットワークアーキテクチャ,損失関数,ベンチマークデータセット,学習戦略の設計面から,関連する研究について検討する。 室内および屋外のデータセットを含む,広く使用されている2つのベンチマークデータセットに対して,モデル性能の定量的比較を行った。
  論文  参考訳（メタデータ） (2022-05-11T08:24:00Z)
• 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)
• Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
  ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。 本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
  論文  参考訳（メタデータ） (2021-07-05T16:32:45Z)
• A Survey on Deep Semi-supervised Learning [51.26862262550445]
  まず,既存の手法を分類した深層半指導学習の分類法を提案する。 次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
  論文  参考訳（メタデータ） (2021-02-28T16:22:58Z)
• WGANVO: Monocular Visual Odometry based on Generative Adversarial Networks [0.0]
  WGANVOはディープラーニングに基づくモノクラービジュアルオドメトリー手法である。 特に、ニューラルネットワークは、画像対からポーズ推定を回帰するように訓練される。 この方法は、事前の知識も余分な情報も必要とせず、シーンの絶対規模を回復することができる。
  論文  参考訳（メタデータ） (2020-07-27T17:31:24Z)
• Monocular Depth Estimation Based On Deep Learning: An Overview [16.2543991384566]
  単一の画像から深度情報(眼深度推定)を推定することは不適切な問題である。 ディープラーニングは最近広く研究され、精度で有望なパフォーマンスを達成した。 深度推定の精度を向上させるために,様々な種類のネットワークフレームワーク,損失関数,トレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2020-03-14T12:35:34Z)

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。