論文の概要: MetricDepth: Enhancing Monocular Depth Estimation with Deep Metric Learning

• arxiv url: http://arxiv.org/abs/2412.20390v1
• Date: Sun, 29 Dec 2024 07:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-31 16:06:24.269390
• Title: MetricDepth: Enhancing Monocular Depth Estimation with Deep Metric Learning
• Title（参考訳）: MetricDepth:Deep Metric Learningによる単眼深度推定の強化
• Authors: Chunpu Liu, Guanglei Yang, Wangmeng Zuo, Tianyi Zan,
• Abstract要約: 単分子深度推定において、クラスの自然な定義が存在しないことは、深度メートル法学習の活用に困難をもたらす。 本稿では,深度学習を統合した単眼深度推定法であるMetricDepthを紹介する。 さまざまなデータセットとモデルタイプにわたる実験は、MetricDepthの有効性と汎用性を示している。
• 参考スコア（独自算出の注目度）: 46.57327530703435
• License:
• Abstract: Deep metric learning aims to learn features relying on the consistency or divergence of class labels. However, in monocular depth estimation, the absence of a natural definition of class poses challenges in the leveraging of deep metric learning. Addressing this gap, this paper introduces MetricDepth, a novel method that integrates deep metric learning to enhance the performance of monocular depth estimation. To overcome the inapplicability of the class-based sample identification in previous deep metric learning methods to monocular depth estimation task, we design the differential-based sample identification. This innovative approach identifies feature samples as different sample types by their depth differentials relative to anchor, laying a foundation for feature regularizing in monocular depth estimation models. Building upon this advancement, we then address another critical problem caused by the vast range and the continuity of depth annotations in monocular depth estimation. The extensive and continuous annotations lead to the diverse differentials of negative samples to anchor feature, representing the varied impact of negative samples during feature regularizing. Recognizing the inadequacy of the uniform strategy in previous deep metric learning methods for handling negative samples in monocular depth estimation task, we propose the multi-range strategy. Through further distinction on negative samples according to depth differential ranges and implementation of diverse regularizing, our multi-range strategy facilitates differentiated regularization interactions between anchor feature and its negative samples. Experiments across various datasets and model types demonstrate the effectiveness and versatility of MetricDepth,confirming its potential for performance enhancement in monocular depth estimation task.
• Abstract（参考訳）: ディープメトリックラーニングは、クラスラベルの一貫性やばらつきに依存する特徴を学習することを目的としている。 しかし、単分子深度推定において、クラスの自然な定義が存在しないことは、深度メートル法学習の活用に困難をもたらす。 このギャップに対処するために,一眼深度推定の性能を高めるために深度学習を統合する新しい手法であるMetricDepthを紹介する。 従来の深度学習法におけるクラスベース標本識別の単眼深度推定タスクへの適用性を克服するために,差分ベース標本識別を設計する。 この革新的なアプローチは、特徴標本をアンカーに対する深さ差によって異なるサンプルタイプとして識別し、単分子深度推定モデルにおける特徴正規化の基礎を築いた。 この進歩を基盤として,単眼深度推定における深度アノテーションの広範囲化と連続性に起因する別の重要な問題に対処する。 広範かつ連続的なアノテーションは、機能正則化時のネガティブサンプルの影響を表わし、ネガティブサンプルの多様な差分をアンカー特徴に導く。 単眼深度推定タスクにおける負のサンプルを処理するための従来の深度学習手法における一様戦略の不適切さを認識し,マルチレンジ戦略を提案する。 奥行き差分範囲による負のサンプルのさらなる識別と多様な正則化の実施を通じて、我々のマルチレンジ戦略は、アンカー特徴とその負のサンプルとの差分正則化相互作用を促進する。 様々なデータセットとモデルタイプにわたる実験は、単眼深度推定タスクにおける性能向上の可能性を確認し、MetricDepthの有効性と汎用性を示している。

関連論文リスト

• Depth-discriminative Metric Learning for Monocular 3D Object Detection [14.554132525651868]
  本稿では,視覚的属性に関係なく,モデルが深度識別的特徴を抽出することを奨励する新しい計量学習手法を提案する。 本手法は, 各種ベースラインの性能を平均23.51%, 5.78%向上させる。
  論文  参考訳（メタデータ） (2024-01-02T07:34:09Z)
• Continual Learning of Unsupervised Monocular Depth from Videos [19.43053045216986]
  連続的教師なし深度推定(CUDE)の課題を捉える枠組みを導入する。 本稿では,時間的整合性を利用したリハーサルベースのデュアルメモリ手法MonoDepthCLを提案する。
  論文  参考訳（メタデータ） (2023-11-04T12:36:07Z)
• When Measures are Unreliable: Imperceptible Adversarial Perturbations toward Top-$k$ Multi-Label Learning [83.8758881342346]
  新しい損失関数は、視覚的および測定的不受容性を両立できる敵の摂動を生成するために考案された。 大規模ベンチマークデータセットを用いた実験により,提案手法が最上位の$kのマルチラベルシステムを攻撃する際の優位性を実証した。
  論文  参考訳（メタデータ） (2023-07-27T13:18:47Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• MaskingDepth: Masked Consistency Regularization for Semi-supervised Monocular Depth Estimation [38.09399326203952]
  MaskingDepthは単眼深度推定のための新しい半教師付き学習フレームワークである。 強く拡張された未ラベルデータと、弱い拡張された未ラベルデータから派生した擬似ラベルとの間の一貫性を強制する。
  論文  参考訳（メタデータ） (2022-12-21T06:56:22Z)
• Contrastive Bayesian Analysis for Deep Metric Learning [30.21464199249958]
  特徴的類似性によって条件付けられた画像ラベルの後方確率を特徴付け,モデル化するために,コントラッシブなベイズ解析を開発した。 この対照的なベイズ解析は、深い計量学習のための新しい損失関数をもたらす。 実験結果とアブレーション実験により,提案手法は深層学習の性能を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-10-10T02:24:21Z)
• On Monocular Depth Estimation and Uncertainty Quantification using Classification Approaches for Regression [2.784501414201992]
  本稿では,回帰アプローチの分類的アプローチと分類的アプローチの概要を紹介する。 また、CARのための新しい不確実性推定ソリューションも導入している。 実験は2つのバックボーン上の各種CAR法の可搬性の違いを反映している。
  論文  参考訳（メタデータ） (2022-02-24T21:40:51Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
  本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。 提案手法は, 十分次元還元法の非パラメトリック一般化である。 推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
  論文  参考訳（メタデータ） (2020-06-10T14:47:43Z)
• 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)

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。