基于半并行深度神经网络（SPDNN）混合架构的单目图像深度估计
计算机视觉与模式识别
2018-08-22 v3
摘要
近年来，深度神经网络被应用于广泛的问题。本工作中，卷积神经网络（CNN）被应用于从单张相机图像确定深度（单目深度）的问题。我们设计了八种不同的网络来执行深度估计，每种网络适用于一个特征层级。具有不同池化尺寸的网络决定了不同的特征层级。在设计了一组网络之后，这些模型可以通过图优化技术组合成一个单一的网络拓扑。这种“半并行深度神经网络（SPDNN）”消除了重复的公共网络层，并可通过再训练进一步优化，以获得优于各独立拓扑的改进模型。本研究中，四个SPDNN模型在KITTI数据集上分两个阶段进行了训练和评估。实验第一部分的真实深度图像由基准提供；第二部分中，真实深度图像是应用一种最先进的立体匹配方法得到的深度图结果。评估结果表明，使用后处理技术细化网络目标可提高单张单目图像的深度估计精度。第二次评估表明，将分割数据与原始数据一同作为输入，可以将深度估计结果提升至与立体深度估计相当的水平。本研究还讨论了计算时间。
引用
@article{arxiv.1703.03867,
title = {Depth from Monocular Images using a Semi-Parallel Deep Neural Network (SPDNN) Hybrid Architecture},
author = {S. Bazrafkan and H. Javidnia and J. Lemley and P. Corcoran},
journal= {arXiv preprint arXiv:1703.03867},
year = {2018}
}
备注
44 pages, 25 figures