CCDepth：一种轻量级自监督深度估计网络与增强可解释性
计算机视觉与模式识别
2024-10-01 v1
摘要
自监督深度估计仅需单目图像序列作为输入，近年来日益流行且前景光明。当前研究主要致力于提高模型预测准确性。然而，过多的参数阻碍了模型在边缘设备上的通用部署。此外，新兴的神经网络作为黑盒模型，难以分析，导致理解性能提升原因方面的挑战。为缓解这些问题，本研究提出一种新型混合自监督深度估计网络CCDepth，由卷积神经网络（CNN）和白盒 CRATE（Coding RAte reduction TransformEr）网络组成。该新型网络使用 CNN 和 CRATE 模块分别提取图像的局部和全局信息，从而提高学习效率并降低模型规模。此外，将 CRATE 模块纳入网络后，能够在捕获全局特征方面实现数学上可解释的过程。大量实验表明，在 KITTI 数据集上，所提出的 CCDepth 网络能够实现与最先进方法相当的性能，同时显著降低了模型规模。此外，对 CCDepth 网络内部特征的一系列定量和定性分析进一步确认了所提方法的有效性。
引用
@article{arxiv.2409.19933,
title = {CCDepth: A Lightweight Self-supervised Depth Estimation Network with Enhanced Interpretability},
author = {Xi Zhang and Yaru Xue and Shaocheng Jia and Xin Pei},
journal= {arXiv preprint arXiv:2409.19933},
year = {2024}
}