学习自适应以用于单目深度估计
计算机视觉与模式识别
2022-03-29 v1 人工智能
摘要
单目深度估计是环境感知的基本任务之一，并借助深度学习取得了巨大进展。然而，由于不同数据集之间的差距，训练好的模型在其他新数据集上使用时性能往往会下降或退化。尽管一些方法利用域适应技术联合训练不同域并缩小它们之间的差距，但训练好的模型无法泛化到未参与训练的新域。为提升深度估计模型的迁移能力，我们提出一种对抗式深度估计任务，并在元学习流程中训练模型。我们提出的对抗式任务缓解了元过拟合问题，因为网络以对抗方式训练并旨在提取域不变表示。此外，我们提出一种约束以施加跨任务深度一致性，迫使深度估计在不同对抗任务中保持一致，这提升了我们方法的性能并平滑了训练过程。实验表明，我们的方法在测试过程中经过少量训练步骤即可很好地适应新数据集。
引用
@article{arxiv.2203.14005,
title = {Learn to Adapt for Monocular Depth Estimation},
author = {Qiyu Sun and Gary G. Yen and Yang Tang and Chaoqiang Zhao},
journal= {arXiv preprint arXiv:2203.14005},
year = {2022}
}