单目与立体深度估计技术的分析及计算复杂度降低
计算机视觉与模式识别
2022-06-22 v1 机器学习
图像与视频处理
摘要
以最低的计算和能源成本实现精确的深度估计是无人驾驶和电池供电自主系统的关键要求。机器人应用需要在快速变化的三维环境中进行实时深度估计，以用于导航和决策。高精度算法可能提供最佳的深度估计，但可能消耗巨大的计算和能源资源。一个通用的权衡是，在初始深度估计时选择精度较低的方法，而在需要时使用更精确但计算密集的方法。先前的工作表明，通过开发一种最先进的方法（AnyNet）来改进立体深度估计，可以改善这种权衡。我们研究了单目和立体视觉深度估计方法，并探讨了降低这些方法计算复杂度的技术。这是我们的基线。随后，我们的实验表明，将单目深度估计模型大小减少约75%，精度下降不到2%（SSIM指标）。我们使用新型立体视觉方法（AnyNet）的实验表明，尽管模型大小减少了约20%，但深度估计的精度下降不超过3%（三像素误差指标）。我们证明了较小的模型确实可以具有竞争力。
引用
@article{arxiv.2206.09071,
title = {Analysis & Computational Complexity Reduction of Monocular and Stereo Depth Estimation Techniques},
author = {Rajeev Patwari and Varo Ly},
journal= {arXiv preprint arXiv:2206.09071},
year = {2022}
}