DepthNet Nano：一种用于单目深度估计的高度紧凑自归一化神经网络
计算机视觉与模式识别
2020-04-20 v1 机器学习
图像与视频处理
摘要
深度估计是计算机视觉领域的一个活跃研究方向，并因其在从机器人、无人机到自动驾驶汽车的大量应用中的日益增长的需求而受到显著关注。该领域中一个尤其具有挑战性的问题是从单幅图像推断深度的单目深度估计。近年来，利用深度卷积神经网络已成为解决该问题展现出可观前景的有效策略。尽管取得了这些成功，此类网络的内存与计算需求使得在嵌入式场景中的广泛部署非常困难。在本研究中，我们介绍了 DepthNet Nano，一种用于单目深度估计的高度紧凑自归一化网络，其采用人机协同设计策略设计，其中基于编码器-解码器设计原则的原理性网络设计原型与机器驱动的设计探索相结合。成果是一个具有高度定制化宏架构与微架构设计以及自归一化特性的紧凑深度神经网络，这些特性高度契合嵌入式深度估计任务。所提出的 DepthNet Nano 拥有高效的网络架构（例如，在 KITTI 上比 Alhashim 等人的网络小 24 倍且 MAC 运算少 42 倍），同时在 NYU-Depth V2 与 KITTI 数据集上取得了与最先进网络相当的性能。此外，在 Jetson AGX Xavier 嵌入式模块上关于推理速度与能效的实验进一步说明了 DepthNet Nano 在不同分辨率与功耗预算下的有效性（例如，在 KITTI 上 384×1280 分辨率、30W 功耗预算下约 14 FPS 且 >0.46 图像/秒/瓦）。
引用
@article{arxiv.2004.08008,
title = {DepthNet Nano: A Highly Compact Self-Normalizing Neural Network for Monocular Depth Estimation},
author = {Linda Wang and Mahmoud Famouri and Alexander Wong},
journal= {arXiv preprint arXiv:2004.08008},
year = {2020}
}
备注
9 pages