基于通道注意力网络的自监督单目深度估计
计算机视觉与模式识别
2021-12-28 v1 人工智能
机器学习
摘要
自监督学习在单目深度估计中已展现出极具前景的结果。场景结构与局部细节均为高质量深度估计的重要线索。近期工作因缺乏对场景结构的显式建模以及对细节信息的恰当处理，导致性能瓶颈及预测结果中的模糊伪影。本文提出基于通道注意力的深度估计网络(CADepth-Net)，包含两项有效贡献：1) 结构感知模块采用自注意力机制捕获长程依赖，并在通道维度上聚合判别性特征，显式增强对场景结构的感知，获得更好的场景理解与丰富特征表示。2) 细节强调模块对通道特征图进行重校准并选择性强调信息性特征，旨在突出关键局部细节信息并更高效融合不同层级特征，从而得到更精确、更锐利的深度预测。此外，大量实验验证了方法的有效性，并表明我们的模型在 KITTI 基准与 Make3D 数据集上取得了 SOTA 结果。
引用
@article{arxiv.2112.13047,
title = {Channel-Wise Attention-Based Network for Self-Supervised Monocular Depth Estimation},
author = {Jiaxing Yan and Hong Zhao and Penghui Bu and YuSheng Jin},
journal= {arXiv preprint arXiv:2112.13047},
year = {2021}
}