基于边缘引导网络的轻量级单目深度估计
计算机视觉与模式识别
2022-09-30 v1 机器人学
摘要
单目深度估计是一项可应用于众多机器人应用的重要任务。现有方法聚焦于通过训练越来越深和宽的网络来提升深度估计精度，然而这些网络计算复杂度大。近期研究发现边缘信息是对卷积神经网络（CNNs）估计深度的重要线索。受上述观察启发，我们在本研究中提出一种新颖的轻量级边缘引导深度估计网络（EGD-Net）。具体而言，我们以一个轻量级编码器-解码器架构为基础，并嵌入一个边缘引导分支，该分支以图像梯度和来自主干的多尺度特征图作为输入来学习边缘注意力特征。为聚合上下文信息与边缘注意力特征，我们设计了一个基于transformer的特征聚合模块（TRFA）。TRFA通过交叉注意力机制捕获上下文信息与边缘注意力特征间的长程依赖。我们在NYU depth v2数据集上进行了大量实验。实验结果表明，所提方法在Nvidia GTX 1080 GPU上以约96 fps运行的同时，在精度方面达到了最先进性能。
引用
@article{arxiv.2209.14829,
title = {Lightweight Monocular Depth Estimation with an Edge Guided Network},
author = {Xingshuai Dong and Matthew A. Garratt and Sreenatha G. Anavatti and Hussein A. Abbass and Junyu Dong},
journal= {arXiv preprint arXiv:2209.14829},
year = {2022}
}