一个具有分解分布偏移的 360 度单目深度估计基准
计算机视觉与模式识别
2021-12-02 v1 机器学习
摘要
在本工作中，我们为一项计算机视觉任务——单目深度估计——贡献了一个分布偏移基准。我们的区别在于将非受控野外数据测试所带来的更广泛分布偏移分解为三种不同的分布偏移。具体而言，我们通过合成生成数据并分析它们，以产生协变量（彩色输入）、先验（深度输出）和概念（二者关系）分布偏移。我们还合成了组合偏移，并展示每一种确实是一个不同的待解决挑战，因为叠加它们会产生更大的性能下降，且无法使用标准方法横向解决。
引用
@article{arxiv.2112.00432,
title = {A benchmark with decomposed distribution shifts for 360 monocular depth estimation},
author = {Georgios Albanis and Nikolaos Zioulis and Petros Drakoulis and Federico Alvarez and Dimitrios Zarpalas and Petros Daras},
journal= {arXiv preprint arXiv:2112.00432},
year = {2021}
}