論文の概要: MGNiceNet: Unified Monocular Geometric Scene Understanding

• arxiv url: http://arxiv.org/abs/2411.11466v1
• Date: Mon, 18 Nov 2024 11:01:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:32:55.569546
• Title: MGNiceNet: Unified Monocular Geometric Scene Understanding
• Title（参考訳）: MGNiceNet:統一された単眼幾何学的シーン理解
• Authors: Markus Schön, Michael Buchholz, Klaus Dietmayer,
• Abstract要約: 単図形幾何学的シーン理解は、パノプティクスのセグメンテーションと自己教師付き深度推定を組み合わせたものである。 本稿では,汎視的セグメンテーションと自己教師型深度推定にリンクされたカーネルの定式化を利用する統一的なアプローチMGNiceNetを紹介する。 我々のモデルは、他のリアルタイム手法と比較して最先端の結果を示し、計算に要求される手法とのギャップを埋める。
• 参考スコア（独自算出の注目度）: 14.246482460672267
• License:
• Abstract: Monocular geometric scene understanding combines panoptic segmentation and self-supervised depth estimation, focusing on real-time application in autonomous vehicles. We introduce MGNiceNet, a unified approach that uses a linked kernel formulation for panoptic segmentation and self-supervised depth estimation. MGNiceNet is based on the state-of-the-art real-time panoptic segmentation method RT-K-Net and extends the architecture to cover both panoptic segmentation and self-supervised monocular depth estimation. To this end, we introduce a tightly coupled self-supervised depth estimation predictor that explicitly uses information from the panoptic path for depth prediction. Furthermore, we introduce a panoptic-guided motion masking method to improve depth estimation without relying on video panoptic segmentation annotations. We evaluate our method on two popular autonomous driving datasets, Cityscapes and KITTI. Our model shows state-of-the-art results compared to other real-time methods and closes the gap to computationally more demanding methods. Source code and trained models are available at https://github.com/markusschoen/MGNiceNet.
• Abstract（参考訳）: 単眼の幾何学的シーン理解は、自律走行車におけるリアルタイム適用に焦点を当てた、パノプティクスのセグメンテーションと自己教師による深度推定を組み合わせたものである。 本稿では,汎視的セグメンテーションと自己教師型深度推定にリンクされたカーネルの定式化を利用する統一的なアプローチMGNiceNetを紹介する。 MGNiceNetは最先端のリアルタイムパノラマ分割法RT-K-Netに基づいており、パノラマ分割と自己教師付き単眼深度推定の両方をカバーするようアーキテクチャを拡張している。 そこで本研究では,パンプトパスからの情報を奥行き予測に用いた,密結合型自己教師型深度推定器を提案する。 さらに,ビデオ・パノプティクス・セグメンテーション・アノテーションを頼らずに深度推定を改善するために,パノプティクス誘導型モーションマスキング手法を提案する。 提案手法を,Cityscapes と KITTI の2つの人気自動運転データセット上で評価した。 我々のモデルは、他のリアルタイム手法と比較して最先端の結果を示し、計算に要求される手法とのギャップを埋める。 ソースコードとトレーニングされたモデルはhttps://github.com/markusschoen/MGNiceNetで入手できる。

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)
• 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)
• MGNet: Monocular Geometric Scene Understanding for Autonomous Driving [10.438741209852209]
  MGNetはモノクロ幾何学的シーン理解のためのマルチタスクフレームワークである。 我々は、単眼の幾何学的シーン理解を、パノプティカルセグメンテーションと自己教師付き単眼深度推定という2つの既知のタスクの組み合わせとして定義する。 我々のモデルは、単一のコンシューマグレードのGPU上で、リアルタイムに高速な推論を提供するために、低レイテンシにフォーカスして設計されている。
  論文  参考訳（メタデータ） (2022-06-27T11:27:55Z)
• SurroundDepth: Entangling Surrounding Views for Self-Supervised Multi-Camera Depth Estimation [101.55622133406446]
  本研究では,複数の周囲からの情報を組み込んだSurroundDepth法を提案し,カメラ間の深度マップの予測を行う。 具体的には、周囲のすべてのビューを処理し、複数のビューから情報を効果的に融合するクロスビュー変換器を提案する。 実験において,本手法は,挑戦的なマルチカメラ深度推定データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-04-07T17:58:47Z)
• TANDEM: Tracking and Dense Mapping in Real-time using Deep Multi-view Stereo [55.30992853477754]
  本稿では,リアルタイムな単分子追跡と高密度フレームワークであるTANDEMを紹介する。 ポーズ推定のために、TANDEMはアライメントのスライディングウィンドウに基づいて光度バンドル調整を行う。 TANDEMは最先端のリアルタイム3D再構成性能を示す。
  論文  参考訳（メタデータ） (2021-11-14T19:01:02Z)
• Self-Supervised Monocular Depth Estimation with Internal Feature Fusion [12.874712571149725]
  深度推定のための自己教師付き学習は、画像列の幾何学を用いて監督する。 そこで本研究では,ダウンおよびアップサンプリングの手順で意味情報を利用することのできる,新しい深度推定ネットワークDIFFNetを提案する。
  論文  参考訳（メタデータ） (2021-10-18T17:31:11Z)
• Learning Monocular Depth in Dynamic Scenes via Instance-Aware Projection Consistency [114.02182755620784]
  本稿では,複数の動的物体の6-DoF動作,エゴモーション,深度を,監督なしで一眼レフカメラで明示的にモデル化する,エンドツーエンドのジョイントトレーニングフレームワークを提案する。 筆者らのフレームワークは,最先端の深度・動き推定法より優れていた。
  論文  参考訳（メタデータ） (2021-02-04T14:26:42Z)
• Self-Supervised Joint Learning Framework of Depth Estimation via Implicit Cues [24.743099160992937]
  深度推定のための自己教師型共同学習フレームワークを提案する。 提案するフレームワークは,KITTIおよびMake3Dデータセット上での最先端(SOTA)よりも優れている。
  論文  参考訳（メタデータ） (2020-06-17T13:56:59Z)
• Don't Forget The Past: Recurrent Depth Estimation from Monocular Video [92.84498980104424]
  私たちは3つの異なる種類の深さ推定を共通のフレームワークに組み込んだ。 提案手法は, 時系列の深度マップを生成する。 モノクロビデオにのみ適用したり、異なる種類のスパース深度パターンと組み合わせたりすることができる。
  論文  参考訳（メタデータ） (2020-01-08T16:50:51Z)

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。