論文の概要: An Adaptive Framework for Learning Unsupervised Depth Completion
- arxiv url: http://arxiv.org/abs/2106.03010v1
- Date: Sun, 6 Jun 2021 02:27:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:21:26.584568
- Title: An Adaptive Framework for Learning Unsupervised Depth Completion
- Title（参考訳）: 教師なし深度補完学習のための適応的フレームワーク
- Authors: Alex Wong, Xiaohan Fei, Byung-Woo Hong, and Stefano Soatto
- Abstract要約: カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
- 参考スコア（独自算出の注目度）: 59.17364202590475
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present a method to infer a dense depth map from a color image and
associated sparse depth measurements. Our main contribution lies in the design
of an annealing process for determining co-visibility (occlusions,
disocclusions) and the degree of regularization to impose on the model. We show
that regularization and co-visibility are related via the fitness (residual) of
model to data and both can be unified into a single framework to improve the
learning process. Our method is an adaptive weighting scheme that guides
optimization by measuring the residual at each pixel location over each
training step for (i) estimating a soft visibility mask and (ii) determining
the amount of regularization. We demonstrate the effectiveness our method by
applying it to several recent unsupervised depth completion methods and
improving their performance on public benchmark datasets, without incurring
additional trainable parameters or increase in inference time. Code available
at: https://github.com/alexklwong/adaframe-depth-completion.
- Abstract（参考訳）: カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
私たちの大きな貢献は、協調可視性(排他性、排他性)を決定するためのアニーリングプロセスの設計と、モデルに課す正規化の程度にあります。
正規化と協調可視性は,データに対するモデルの適合性(再現性)によって関連し,学習プロセスを改善するための単一のフレームワークに統一できることを示す。
本手法は,(i)ソフト可視性マスクの推定と(ii)正規化量を決定するための訓練ステップ毎に各画素位置の残差を測定することにより,最適化を導く適応重み付けスキームである。
提案手法は,近年の教師なし深度補完手法に適用し,トレーニング可能なパラメータの追加や推論時間の増加を伴わずに,公開ベンチマークデータセット上での性能を向上させることで,本手法の有効性を実証する。
コード提供はhttps://github.com/alexklwong/adaframe-depth-completion。
関連論文リスト
- Revisiting Disparity from Dual-Pixel Images: Physics-Informed Lightweight Depth Estimation [3.6337378417255177]
完成度に基づくネットワークに基づく軽量な分散度推定手法を提案する。
DP固有の相違誤差をパラメトリックにモデル化し、トレーニング中のサンプリングに使用することにより、DPのユニークな特性を取得する。
その結果,提案手法はシステム全体の規模を従来の手法の1/5に減らし,最先端の成果を得た。
論文 参考訳（メタデータ） (2024-11-06T09:03:53Z) - UnCLe: Unsupervised Continual Learning of Depth Completion [5.677777151863184]
UnCLeはマルチモーダル深度推定タスクの教師なし連続学習のための標準ベンチマークである。
連続したデータストリーム上の教師なし学習の実践シナリオ下で、深度補完モデルをベンチマークする。
論文 参考訳（メタデータ） (2024-10-23T17:56:33Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Unsupervised Scale-consistent Depth Learning from Video [131.3074342883371]
本研究では,単眼深度推定器SC-Depthを提案する。
スケール一貫性予測の能力により,我々の単分子学習深層ネットワークは簡単にORB-SLAM2システムに統合可能であることを示す。
提案したハイブリッドPseudo-RGBD SLAMは、KITTIにおいて魅力的な結果を示し、追加のトレーニングなしでKAISTデータセットにうまく一般化する。
論文 参考訳（メタデータ） (2021-05-25T02:17:56Z) - Domain Adaptive Semantic Segmentation with Self-Supervised Depth
Estimation [84.34227665232281]
セマンティックセグメンテーションのためのドメイン適応は、ソースとターゲットドメイン間の分散シフトの存在下でモデルのパフォーマンスを向上させることを目的とする。
ドメイン間のギャップを埋めるために、両ドメインで利用可能な自己教師付き深さ推定からのガイダンスを活用します。
提案手法のベンチマークタスクSYNTHIA-to-CityscapesとGTA-to-Cityscapesの有効性を実証する。
論文 参考訳（メタデータ） (2021-04-28T07:47:36Z) - Distribution Alignment: A Unified Framework for Long-tail Visual
Recognition [52.36728157779307]
長尾視覚認識のための分散アライメント戦略を提案する。
次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。
提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
論文 参考訳（メタデータ） (2021-03-30T14:09:53Z) - Deep Optimized Priors for 3D Shape Modeling and Reconstruction [38.79018852887249]
3Dモデリングと再構築のための新しい学習フレームワークを紹介します。
提案手法は,事前訓練によって制約された障壁を効果的に破壊することを示す。
論文 参考訳（メタデータ） (2020-12-14T03:56:31Z) - Overcoming Catastrophic Forgetting via Direction-Constrained
Optimization [43.53836230865248]
連続的な学習フレームワークにおいて,分類ネットワークの固定アーキテクチャを用いてディープラーニングモデルを学習するための最適化アルゴリズムの新たな設計について検討する。
本稿では,方向制約付き最適化(DCO)法について述べる。各タスクに対して,対応する最上向きの主方向を近似する線形オートエンコーダを導入する。
我々のアルゴリズムは、他の最先端の正規化に基づく連続学習法と比較して好適に機能することを示した。
論文 参考訳（メタデータ） (2020-11-25T08:45:21Z) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳（メタデータ） (2020-06-10T08:22:41Z) - 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)
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。