LightDepth：一种通过课程学习应对真值稀疏性的资源高效深度估计方法
计算机视觉与模式识别
2022-11-22 v2
摘要
神经网络的进展使得以空前精度处理诸如室外场景深度估计等复杂计算机视觉任务成为可能。在深度估计方面已有令人瞩目的研究。然而，当前工作计算资源密集，且未考虑机器人与无人机等自主设备的资源约束。本工作中，我们提出一种快速且省电的深度估计方法。我们的方法设计了模型无关、基于课程学习的深度估计。实验表明，我们模型的精度与 SOTA 模型相当，而响应时间比其他模型快 71%。所有代码已在 https://github.com/fatemehkarimii/LightDepth 在线提供。
引用
@article{arxiv.2211.08608,
title = {LightDepth: A Resource Efficient Depth Estimation Approach for Dealing with Ground Truth Sparsity via Curriculum Learning},
author = {Fatemeh Karimi and Amir Mehrpanah and Reza Rawassizadeh},
journal= {arXiv preprint arXiv:2211.08608},
year = {2022}
}
备注
13 pages, 4 figures