論文の概要: Image Masking for Robust Self-Supervised Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2210.02357v1
• Date: Wed, 5 Oct 2022 15:57:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 14:18:09.019524
• Title: Image Masking for Robust Self-Supervised Monocular Depth Estimation
• Title（参考訳）: 頑健な自己監督型単眼深度推定のための画像マスキング
• Authors: Hemang Chawla, Kishaan Jeeveswaran, Elahe Arani, Bahram Zonooz
• Abstract要約: 自己教師付き単眼深度推定は3次元シーン理解のための健全なタスクである。 自己教師付き単眼深度推定にマスク付き画像モデリングを適用するMIMDepthを提案する。
• 参考スコア（独自算出の注目度）: 12.435468563991174
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Self-supervised monocular depth estimation is a salient task for 3D scene understanding. Learned jointly with monocular ego-motion estimation, several methods have been proposed to predict accurate pixel-wise depth without using labeled data. Nevertheless, these methods focus on improving performance under ideal conditions without natural or digital corruptions. A general absence of occlusions is assumed even for object-specific depth estimation. These methods are also vulnerable to adversarial attacks, which is a pertinent concern for their reliable deployment on robots and autonomous driving systems. We propose MIMDepth, a method that adapts masked image modeling (MIM) for self-supervised monocular depth estimation. While MIM has been used to learn generalizable features during pre-training, we show how it could be adapted for direct training of monocular depth estimation. Our experiments show that MIMDepth is more robust to noise, blur, weather conditions, digital artifacts, occlusions, as well as untargeted and targeted adversarial attacks.
• Abstract（参考訳）: 自己教師付き単眼深度推定は3次元シーン理解のための健全なタスクである。 単眼運動推定と共同で学習し,ラベル付きデータを用いずに正確な画素深度を予測する手法がいくつか提案されている。 それでもこれらの手法は、自然やデジタルの腐敗のない理想的な条件下での性能向上に重点を置いている。 対象固有深さ推定においても、一般に閉塞がないと仮定する。 これらの手法は、ロボットや自律運転システムへの信頼性の高い配置が懸念される敵の攻撃にも脆弱である。 自己教師付き単眼深度推定にマスク画像モデリング(mim)を適用する手法であるmimdepthを提案する。 MIMは、事前学習中に一般化可能な特徴を学習するために使われてきたが、単眼深度推定の直接訓練にどのように適応できるかを示す。 実験の結果、MIMDepthはノイズ、ぼかし、気象条件、デジタルアーティファクト、オクルージョン、および標的外敵攻撃に対してより堅牢であることがわかった。

関連論文リスト

• Fully Self-Supervised Depth Estimation from Defocus Clue [79.63579768496159]
  スパース焦点スタックから深度を純粋に推定する自己教師型フレームワークを提案する。 筆者らのフレームワークは,深度とAIF画像の接地構造の必要性を回避し,より優れた予測を得られることを示す。
  論文  参考訳（メタデータ） (2023-03-19T19:59:48Z)
• SC-DepthV3: Robust Self-supervised Monocular Depth Estimation for Dynamic Scenes [58.89295356901823]
  自己監督型単眼深度推定は静的な場面で顕著な結果を示した。 トレーニングネットワークのマルチビュー整合性の仮定に依存するが、動的オブジェクト領域に違反する。 単一画像の深度を事前に生成するための,外部トレーニング付き単眼深度推定モデルを提案する。 我々のモデルは、高度にダイナミックなシーンのモノクロビデオからトレーニングしても、シャープで正確な深度マップを予測できる。
  論文  参考訳（メタデータ） (2022-11-07T16:17:47Z)
• 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)
• 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)
• 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)
• Calibrating Self-supervised Monocular Depth Estimation [77.77696851397539]
  近年、ニューラルネットワークが深度を学習し、画像のシーケンスに変化を起こさせる能力を示す方法は、訓練信号として自己スーパービジョンのみを使用している。 カメラの構成や環境に関する事前情報を取り入れることで,センサの追加に頼ることなく,自己教師型定式化を用いて,スケールのあいまいさを排除し,深度を直接予測できることを示す。
  論文  参考訳（メタデータ） (2020-09-16T14:35:45Z)
• Self-Supervised Learning for Monocular Depth Estimation from Aerial Imagery [0.20072624123275526]
  航空画像からの単眼深度推定のための自己教師型学習法を提案する。 このために、単一の移動カメラからの画像シーケンスのみを使用し、深度を同時に推定し、情報をポーズすることを学ぶ。 ポーズと深さ推定の重みを共有することによって、比較的小さなモデルが実現され、リアルタイムの応用が好まれる。
  論文  参考訳（メタデータ） (2020-08-17T12:20:46Z)
• Self-Supervised Monocular Depth Estimation: Solving the Dynamic Object Problem by Semantic Guidance [36.73303869405764]
  自己監督型単眼深度推定は, 単一カメラ画像から3次元シーン情報を得る強力な方法を示す。 本稿では,移動型動的クラス(DC)オブジェクトを扱うための自己教師付き意味誘導深度推定(SGDepth)手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T09:47:27Z)
• On the uncertainty of self-supervised monocular depth estimation [52.13311094743952]
  単眼深度推定のための自己監督的パラダイムは、基礎的な真理アノテーションを全く必要としないため、非常に魅力的である。 我々は,このタスクの不確かさを推定する方法と,これが深さ精度にどのように影響するかを初めて検討する。 自己教師型アプローチに特化して設計された,斬新な手法を提案する。
  論文  参考訳（メタデータ） (2020-05-13T09:00:55Z)
• Self-supervised Monocular Trained Depth Estimation using Self-attention and Discrete Disparity Volume [19.785343302320918]
  本研究では,1)自己注意,2)離散的不一致予測という,自己教師付き単分子学習深度推定を改善するための2つの新しいアイデアを提案する。 これらの2つのアイデアにより、最先端の自己教師型単分子深度推定器 Monodepth2 の拡張により、KITTI 2015 と Make3D の分野で最高の結果を生み出すモデルを設計できることを示す。
  論文  参考訳（メタデータ） (2020-03-31T04:48:16Z)

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。