論文の概要: Variational Monocular Depth Estimation for Reliability Prediction
- arxiv url: http://arxiv.org/abs/2011.11912v1
- Date: Tue, 24 Nov 2020 06:23:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 13:30:28.712929
- Title: Variational Monocular Depth Estimation for Reliability Prediction
- Title（参考訳）: 信頼性予測のための変分単眼深度推定
- Authors: Noriaki Hirose, Shun Taguchi, Keisuke Kawano, Satoshi Koide
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.951621755732544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-supervised learning for monocular depth estimation is widely
investigated as an alternative to supervised learning approach, that requires a
lot of ground truths. Previous works have successfully improved the accuracy of
depth estimation by modifying the model structure, adding objectives, and
masking dynamic objects and occluded area. However, when using such estimated
depth image in applications, such as autonomous vehicles, and robots, we have
to uniformly believe the estimated depth at each pixel position. This could
lead to fatal errors in performing the tasks, because estimated depth at some
pixels may make a bigger mistake. In this paper, we theoretically formulate a
variational model for the monocular depth estimation to predict the reliability
of the estimated depth image. Based on the results, we can exclude the
estimated depths with low reliability or refine them for actual use. The
effectiveness of the proposed method is quantitatively and qualitatively
demonstrated using the KITTI benchmark and Make3D dataset.
- Abstract（参考訳）: 単眼深度推定のための自己教師あり学習は、多くの基礎的真理を必要とする教師あり学習アプローチの代替として広く研究されている。
従来の作業では,モデル構造の変更,目的の追加,動的物体や隠蔽領域のマスキングにより,深度推定の精度の向上に成功している。
しかし、自動運転車やロボットなどのアプリケーションでそのような推定深度画像を使用する場合、各画素位置における推定深度を均一に信じなければならない。
これは、あるピクセルの深さの推定がより大きな誤りをもたらす可能性があるため、タスクの実行に致命的なエラーをもたらす可能性がある。
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予測する。
結果から,信頼性の低い推定深度を排除したり,実際の使用のために精査することができる。
提案手法の有効性を,KITTIベンチマークとMake3Dデータセットを用いて定量的に定性的に検証した。
関連論文リスト
- ScaleDepth: Decomposing Metric Depth Estimation into Scale Prediction and Relative Depth Estimation [62.600382533322325]
本研究では,新しい単分子深度推定法であるScaleDepthを提案する。
提案手法は,距離深度をシーンスケールと相対深度に分解し,セマンティック・アウェア・スケール予測モジュールを用いて予測する。
本手法は,室内と屋外の両方のシーンを統一した枠組みで距離推定する。
論文 参考訳（メタデータ） (2024-07-11T05:11:56Z) - 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) - 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) - Improving Depth Estimation using Location Information [0.0]
本稿では,自己教師型深度学習法の改良を行い,高精度な単眼深度推定を行う。
主なアイデアは、異なるフレームのシーケンスを考慮に入れたディープモデルをトレーニングすることであり、各フレームはその位置情報でタグ付けされる。
論文 参考訳（メタデータ） (2021-12-27T22:30:14Z) - Error Diagnosis of Deep Monocular Depth Estimation Models [0.2770822269241973]
室内シーンにおける現状のモノクル深度推定モデルを分析し,これらのモデルの限界と誤差パターンを理解する。
深度推定における誤りに対処するために,空間的に誤深度予測を識別する新しい深度誤差検出ネットワーク(DEDN)を導入する。
我々のモジュールは柔軟で、任意の単分子深度予測ネットワークに簡単に接続でき、その結果の診断に役立ちます。
論文 参考訳（メタデータ） (2021-11-15T22:13:28Z) - 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) - 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) - 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)
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。