用于轻量级自监督单目深度估计的深度邻层聚合
计算机视觉与模式识别
2024-01-09 v2 人工智能
摘要
随着自监督单目深度估计在机器人与自动驾驶中的频繁使用，模型的效率变得愈发重要。当前大多数方法采用更大、更复杂的网络来提升深度估计精度。一些研究者将 Transformer 引入自监督单目深度估计以取得更好性能，但该方法导致参数量大、计算量高。我们提出了一种利用上下文特征融合的全卷积深度估计网络。与 UNet++ 和 HRNet 不同，我们使用高分辨率与低分辨率特征来保留小目标与快速运动物体的信息，而非进行长距离融合。我们进一步在解码阶段采用基于卷积的轻量级通道注意力来提升深度估计结果。我们的方法在不牺牲精度的前提下减少了参数量。在 KITTI 基准上的实验表明，仅用 30 个参数，我们的方法便能取得优于 Monodepth2 等许多大型模型的结果。源代码见 https://github.com/boyagesmile/DNA-Depth。
引用
@article{arxiv.2309.09272,
title = {Deep Neighbor Layer Aggregation for Lightweight Self-Supervised Monocular Depth Estimation},
author = {Wang Boya and Wang Shuo and Ye Dong and Dou Ziwen},
journal= {arXiv preprint arXiv:2309.09272},
year = {2024}
}