用于鲁棒深度预测的基于深度注意力的分类网络
计算机视觉与模式识别
2018-07-12 v1
摘要
本文针对 2018 年鲁棒视觉挑战赛(ROB 2018)提出了我们的基于深度注意力的分类(DABC)网络,用于鲁棒的单图像深度预测。与传统深度预测不同,我们的目标是设计一个能以单一参数集在室内与室外场景均表现良好的模型。然而,鲁棒深度预测面临两个挑战性问题:a) 如何为不同场景(相较单一场景)提取更具判别力的特征? b) 如何处理室内与室外数据集之间深度范围的巨大差异?为应对这两个问题,我们首先将深度预测表述为多类分类任务,并应用 softmax 分类器对每个像素的深度标签进行分类。随后我们引入全局池化层与通道注意力机制,自适应选择特征的判别性通道,并通过为重要通道赋予更高权重来更新原始特征。此外,为减小量化误差的影响,我们采用软加权求和推理策略进行最终预测。在室内与室外数据集上的实验结果证明了本方法的有效性。值得一提的是,我们在 ROB 2018 单图像深度预测项目(与 IEEE 计算机视觉与模式识别会议(CVPR)2018 联合举办)中获得了第二名。
引用
@article{arxiv.1807.03959,
title = {Deep attention-based classification network for robust depth prediction},
author = {Ruibo Li and Ke Xian and Chunhua Shen and Zhiguo Cao and Hao Lu and Lingxiao Hang},
journal= {arXiv preprint arXiv:1807.03959},
year = {2018}
}