深度单目深度估计中的折中原则
计算机视觉与模式识别
2018-06-13 v2
摘要
单目深度估计在理解 3D 场景几何中起着关键作用，其本质上是一个不适定问题。基于深度卷积神经网络 (DCNNs) 的现有方法通过学习卷积网络从单目图像估计连续深度图来研究这一问题。然而，我们发现训练网络预测高空间分辨率连续深度图常常会陷入较差的局部解。在本文中，我们假设在空间分辨率和深度分辨率之间实现折中可以改善网络训练。基于这一“折中原则”，我们提出了一种回归-分类级联网络 (RCCN)，它由预测低空间分辨率连续深度图的回归分支和预测高空间分辨率离散深度图的分类分支组成。这两个分支形成级联结构，使分类和回归分支能够相互受益。通过利用大规模原始训练数据集和一些数据增强策略，我们的网络在 NYU Depth V2、KITTI 和 Make3D 基准测试上取得了顶级或 state-of-the-art 的结果。
引用
@article{arxiv.1708.08267,
title = {A Compromise Principle in Deep Monocular Depth Estimation},
author = {Huan Fu and Mingming Gong and Chaohui Wang and Dacheng Tao},
journal= {arXiv preprint arXiv:1708.08267},
year = {2018}
}