論文の概要: On the Metrics for Evaluating Monocular Depth Estimation

• arxiv url: http://arxiv.org/abs/2302.10007v1
• Date: Mon, 20 Feb 2023 14:33:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-21 15:04:51.845515
• Title: On the Metrics for Evaluating Monocular Depth Estimation
• Title（参考訳）: 単眼深度推定のための指標について
• Authors: Akhil Gurram, Antonio M. Lopez
• Abstract要約: 我々は、MDEモデルから来る3Dポイント雲を用いて、最先端の3Dオブジェクト検出器を訓練し、テストする。 実際、MDE評価基準は、私たちが期待する3Dオブジェクト検出結果に比較的よく反映した手法のランク付けをもたらすと結論付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Monocular Depth Estimation (MDE) is performed to produce 3D information that can be used in downstream tasks such as those related to on-board perception for Autonomous Vehicles (AVs) or driver assistance. Therefore, a relevant arising question is whether the standard metrics for MDE assessment are a good indicator of the accuracy of future MDE-based driving-related perception tasks. We address this question in this paper. In particular, we take the task of 3D object detection on point clouds as a proxy of on-board perception. We train and test state-of-the-art 3D object detectors using 3D point clouds coming from MDE models. We confront the ranking of object detection results with the ranking given by the depth estimation metrics of the MDE models. We conclude that, indeed, MDE evaluation metrics give rise to a ranking of methods that reflects relatively well the 3D object detection results we may expect. Among the different metrics, the absolute relative (abs-rel) error seems to be the best for that purpose.
• Abstract（参考訳）: 単眼深度推定(MDE)は、自動運転車(AV)の車載認識や運転支援システムなどの下流タスクで使用できる3D情報を生成するために行われる。 したがって、MDE評価の基準基準基準が、将来のMDEに基づく運転関連認知タスクの精度の指標であるかどうかが問題となる。 本論文ではこの問題に対処する。 特に、オンボード知覚の代理として、ポイントクラウド上の3dオブジェクト検出のタスクを取り上げます。 我々はmdeモデルからの3dポイントクラウドを用いて最先端の3dオブジェクト検出器を訓練およびテストする。 我々は,MDEモデルの深度推定指標を用いて,物体検出結果のランク付けを行う。 実際、MDE評価基準は、私たちが期待する3Dオブジェクト検出結果を比較的よく反映した手法のランキングをもたらすと結論付けている。 異なるメトリクスの中では、絶対相対誤差(絶対誤差)がその目的に最適であるように思われる。

関連論文リスト

• UniDepth: Universal Monocular Metric Depth Estimation [81.80512457953903]
  ドメインをまたいだ単一の画像からメートル法3Dシーンを再構成できる新しいモデルUniDepthを提案する。 我々のモデルは擬似球面出力表現を利用しており、カメラと奥行きの表現を歪めている。 ゼロショット方式における10のデータセットの詳細な評価は、一貫してUniDepthの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-03-27T18:06:31Z)
• Physical 3D Adversarial Attacks against Monocular Depth Estimation in Autonomous Driving [14.17222342043126]
  3D Depth Fool (3D$2$Fool)は、MDEモデルに対する最初の3Dテクスチャベースの敵攻撃である。 3D$2$Foolは、車種をモデル化するための3Dの敵対的なテクスチャを生成するために特別に最適化されている。 物理的車体モデルに3Dテクスチャを印刷した実世界の実験では、我々の3D$2$Foolが10メートル以上のMDEエラーを引き起こします。
  論文  参考訳（メタデータ） (2024-03-26T01:06:47Z)
• On the Importance of Accurate Geometry Data for Dense 3D Vision Tasks [61.74608497496841]
  不正確または破損したデータのトレーニングは、モデルバイアスとハマーズ一般化能力を誘導する。 本稿では,深度推定と再構成における高密度3次元視覚課題に対するセンサ誤差の影響について検討する。
  論文  参考訳（メタデータ） (2023-03-26T22:32:44Z)
• Attention-Based Depth Distillation with 3D-Aware Positional Encoding for Monocular 3D Object Detection [10.84784828447741]
  ADDは、3D対応の位置符号化を備えた注意に基づく深度知識蒸留フレームワークである。 教師の設計によると、私たちのフレームワークはシームレスで、ドメインギャップフリーで、実装が容易で、オブジェクト指向の地層深度と互換性があります。 我々は,3つの代表的な単分子検出器上でのフレームワークを実装し,予測計算コストの増大を伴わず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-30T06:39:25Z)
• Towards Multimodal Multitask Scene Understanding Models for Indoor Mobile Agents [49.904531485843464]
  本稿では,現実世界の屋内環境におけるラベル付きデータの不十分,あるいは不可能,といった主な課題について論じる。 MMISM (Multi-modality input Multi-task output Indoor Scene Understanding Model) について述べる。 MMISMは、RGB画像だけでなく、スパースライダーポイントを入力と3Dオブジェクト検出、深さ完了、人間のポーズ推定、セマンティックセグメンテーションを出力タスクとみなしている。 MMISMはシングルタスクモデルよりも同等かそれ以上の性能を示す。
  論文  参考訳（メタデータ） (2022-09-27T04:49:19Z)
• Monocular 3D Object Detection with Depth from Motion [74.29588921594853]
  我々は、正確な物体深度推定と検出にカメラエゴモーションを利用する。 我々のフレームワークはDfM(Depth from Motion)と呼ばれ、2D画像の特徴を3D空間に持ち上げて3Dオブジェクトを検出する。 我々のフレームワークは、KITTIベンチマークにおいて最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-26T15:48:46Z)
• Homography Loss for Monocular 3D Object Detection [54.04870007473932]
  ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。 提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
  論文  参考訳（メタデータ） (2022-04-02T03:48:03Z)
• From 2D to 3D: Re-thinking Benchmarking of Monocular Depth Prediction [80.67873933010783]
  我々は,MDPが現在,3Dアプリケーションにおける予測の有用性を評価するのに有効な指標に頼っていることを論じる。 これにより、2Dベースの距離を最適化するのではなく、シーンの3D構造を正確に認識し、推定に向けて改善する新しい手法の設計と開発が制限される。 本稿では,MDP手法の3次元幾何評価に適した指標セットと,提案手法に不可欠な室内ベンチマークRIO-D3Dを提案する。
  論文  参考訳（メタデータ） (2022-03-15T17:50:54Z)
• Revisiting 3D Object Detection From an Egocentric Perspective [25.48667111413713]
  3Dオブジェクト検出は、自律運転のような安全クリティカルなロボティクスアプリケーションのための重要なモジュールである。 我々は、エゴエージェントの軌道に干渉しがちな物体形状のより正確な記述を求める。 我々は,3次元物体検出,すなわちSDE(Support Distance Error)を評価するための新しいエゴセントリック尺度を提案する。
  論文  参考訳（メタデータ） (2021-12-14T23:24:25Z)

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。