介绍一种针对单目深度估计的类别感知指标：面向汽车的视角
计算机视觉与模式识别
2024-09-13 v2 机器人学
摘要
单目深度估计模型准确性不断提升，推动了来自汽车领域的日益增长的兴趣。当前的模型评估未能提供对模型性能的更深入见解，尤其是在安全关键或未见类别方面。本文提出了一种新颖的深度估计模型评估方法。我们提出的指标包含三个组成部分：类别相关组件、图像边缘和角落特征组件，以及保持全局一致性的组件。类别进一步根据场景中的距离以及对汽车应用的关键性进行加权。在评估中，我们通过与经典指标的比较、类别相关分析以及关键情境检索，展示了该指标的优势。结果表明，该指标在提供更深入的模型结果见解方面发挥了作用，同时满足了安全关键要求。我们在以下存储库发布代码和权重：https://github.com/leisemann/ca_mmde
引用
@article{arxiv.2409.04086,
title = {Introducing a Class-Aware Metric for Monocular Depth Estimation: An Automotive Perspective},
author = {Tim Bader and Leon Eisemann and Adrian Pogorzelski and Namrata Jangid and Attila-Balazs Kis},
journal= {arXiv preprint arXiv:2409.04086},
year = {2024}
}
备注
Accepted at the European Conference on Computer Vision (ECCV) 2024 Workshop on Out Of Distribution Generalization in Computer Vision