ADAADepth：面向自监督单目深度估计的数据增强与注意力自适应方法
计算机视觉与模式识别
2021-03-02 v1
摘要
深度自监督学习因免除了预测深度所需真值标注而备受研究关注。深度被作为视角合成任务的中间解，利用扭曲的光度一致性进行学习。尽管使用立体数据训练时效果良好，预测深度对噪声、光照变化和镜面反射仍较为敏感。此外，通过单相机学习深度可更好地处理遮挡问题。我们提出ADAA，利用深度增强作为深度监督以学习准确且鲁棒的深度。我们提出一种关系自注意力模块，学习丰富的上下文特征并进一步提升深度结果。我们还通过对掩码施加L1正则化，在所有损失上优化自动掩码策略。我们新颖的渐进式训练策略先以较低分辨率学习深度，再以轻微训练过渡到原始分辨率。我们使用ResNet18编码器，学习用于深度与位姿预测的特征。我们在标准KITTI驾驶数据集上评估预测深度，在单目深度估计上取得了最先进（SOTA）结果，同时我们的深度学习框架中可训练参数数量显著更少。我们还在Make3D数据集上评估了模型，显示出优于其他方法的泛化能力。
引用
@article{arxiv.2103.00853,
title = {ADAADepth: Adapting Data Augmentation and Attention for Self-Supervised Monocular Depth Estimation},
author = {Vinay Kaushik and Kartik Jindgar and Brejesh Lall},
journal= {arXiv preprint arXiv:2103.00853},
year = {2021}
}
备注
8 pages