論文の概要: Rebalancing gradient to improve self-supervised co-training of depth, odometry and optical flow predictions
- arxiv url: http://arxiv.org/abs/2605.07945v1
- Date: Fri, 08 May 2026 16:12:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.191966
- Title: Rebalancing gradient to improve self-supervised co-training of depth, odometry and optical flow predictions
- Title（参考訳）: 深度・オドメトリー・光流予測の自己教師付き協調訓練を改善するための再バランス勾配
- Authors: Marwane Hariat, Antoine Manzanera, David Filliat,
- Abstract要約: 我々は、勾配の配置を動的に適応させることにより、協調学習ネットワークの協調性を改善するアプローチであるCoopNetを提案する。
KITTIとCityScapesのデータセットの比較評価では、CoopNetは深度、計測、光学フローの予測において最先端の改善または同等であることを示している。
- 参考スコア（独自算出の注目度）: 8.146936489399293
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present CoopNet, an approach that improves the cooperation of co-trained networks by dynamically adapting the apportionment of gradient, to ensure equitable learning progress. It is applied to motion-aware self-supervised prediction of depth maps, by introducing a new hybrid loss, based on a distribution model of photo-metric reconstruction errors made by, on the one hand the depth + odometry paired networks, and on the other hand the optical flow network. This model essentially assumes that the pixels from moving objects (that must be discarded for training depth and odometry), correspond to those where the two reconstructions strongly disagree. We justify this model by theoretical considerations and experimental evidences. A comparative evaluation on KITTI and CityScapes datasets shows that CoopNet improves or is comparable to the state-of-the-art in depth, odometry and optical flow predictions.
- Abstract（参考訳）: 我々は,勾配の配置を動的に適応させることにより,協調学習ネットワークの協調性を向上する手法であるCoopNetを提案する。
本手法は, 深度とオドメトリーのペアネットワークの分布モデルに基づいて, 新たなハイブリッド損失を導入することにより, 深度マップの自己教師型予測に適用する。
このモデルは基本的に、動く物体からのピクセル(訓練深度と計測のために捨てなければならない)は、2つの再構成が強く一致しないものに対応していると仮定する。
我々はこのモデルを理論的考察と実験的証拠で正当化する。
KITTIとCityScapesのデータセットの比較評価では、CoopNetは深度、計測、光学フローの予測において最先端の改善または同等であることを示している。
関連論文リスト
- ANCRe: Adaptive Neural Connection Reassignment for Efficient Depth Scaling [57.91760520589592]
ネットワークの深度を拡大することは、現代の基礎モデルの成功の背後にある中心的な要因である。
本稿では,ニューラルネットワークの奥行き,すなわち残差接続の既定メカニズムを再考する。
我々は、データから残余接続性をパラメータ化し、学習する原則的かつ軽量なフレームワークである、適応型ニューラルネットワーク再割り当て(ANCRe)を導入する。
論文 参考訳（メタデータ） (2026-02-09T18:54:18Z) - Towards the Training of Deeper Predictive Coding Neural Networks [44.14001498773255]
予測符号化ネットワーク(英: Predictive coding network)は、反復エネルギー最小化プロセスを通じて推論を行うニューラルネットワークである。
浅いアーキテクチャでは有効だが、5層から7層に留まらず、パフォーマンスが著しく低下する。
この劣化は,重み付け更新時の層間エラーの指数的不均衡と,より深い層内の更新を導くのに有効でない前の層からの予測が原因であることを示す。
論文 参考訳（メタデータ） (2025-06-30T12:44:47Z) - Joint Self-supervised Depth and Optical Flow Estimation towards Dynamic
Objects [3.794605440322862]
本研究では,フレーム間監督深度と光フロー推定の枠組みを構築した。
動作のセグメンテーションでは、予備推定光フローマップを広い接続領域で適応的に分割する。
提案手法は,KITTI深度データセット上で既存の深度推定器よりも優れた精度を示す。
論文 参考訳（メタデータ） (2023-09-07T04:00:52Z) - The Surprising Effectiveness of Diffusion Models for Optical Flow and
Monocular Depth Estimation [42.48819460873482]
拡散確率モデルは、その印象的な忠実さと多様性で画像生成を変換した。
また,タスク固有のアーキテクチャや損失関数を使わずに,光学的フローと単眼深度の推定に優れることを示す。
論文 参考訳（メタデータ） (2023-06-02T21:26:20Z) - FG-Depth: Flow-Guided Unsupervised Monocular Depth Estimation [17.572459787107427]
そこで本研究では,典型的な測光損失を代替する流量蒸留損失と,不適切な画素を除去するための前向きフローベースマスクを提案する。
提案手法は,KITTIとNYU-Depth-v2の両方のデータセットの最先端結果を実現する。
論文 参考訳（メタデータ） (2023-01-20T04:02:13Z) - USegScene: Unsupervised Learning of Depth, Optical Flow and Ego-Motion
with Semantic Guidance and Coupled Networks [31.600708674008384]
UegSceneは、ステレオカメラ画像の奥行き、光学的流れ、エゴモーション推定を意味的に導くためのフレームワークである。
一般的なKITTIデータセットを用いて,提案手法が他の手法よりも大きなマージンで優れていることを示す。
論文 参考訳（メタデータ） (2022-07-15T13:25:47Z) - Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。
本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文 参考訳（メタデータ） (2020-07-03T14:33:28Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z) - Interpolation between Residual and Non-Residual Networks [24.690238357686134]
ダンピング項を追加することで,新しいODEモデルを提案する。
提案モデルでは係数を調整してResNetとCNNの両方を復元可能であることを示す。
複数の画像分類ベンチマーク実験により,提案手法はResNetとResNeXtの精度を大幅に向上することが示された。
論文 参考訳（メタデータ） (2020-06-10T09:36:38Z)
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。