MaskingDepth：用于半监督单目深度估计的掩码一致性正则化
计算机视觉与模式识别
2023-03-27 v3
摘要
我们提出MaskingDepth，一种用于单目深度估计的新型半监督学习框架，以减轻对大量真实深度标注的依赖。MaskingDepth旨在强制强增强无标签数据与由弱增强无标签数据导出的伪标签之间的一致性，从而实现无监督的深度学习。在该框架中，提出一种新颖的数据增强方法，利用朴素掩码策略作为增强手段，同时避免弱增强与强增强分支间深度的尺度歧义问题以及丢失小尺度实例的风险。为仅保留弱增强分支中高置信度的深度预测作为伪标签，我们还提出了一种不确定性估计技术，用于定义鲁棒的一致性正则化。在KITTI和NYU-Depth-v2数据集上的实验证明了各组件的有效性、对使用更少深度标注图像的鲁棒性，以及优于其他最先进(state-of-the-art)半监督单目深度估计方法的性能。此外，我们展示了该方法可轻松扩展至域适应任务。我们的代码可在 https://github.com/KU-CVLAB/MaskingDepth 获取。
引用
@article{arxiv.2212.10806,
title = {MaskingDepth: Masked Consistency Regularization for Semi-supervised Monocular Depth Estimation},
author = {Jongbeom Baek and Gyeongnyeon Kim and Seonghoon Park and Honggyu An and Matteo Poggi and Seungryong Kim},
journal= {arXiv preprint arXiv:2212.10806},
year = {2023}
}
备注
Project page: https://ku-cvlab.github.io/MaskingDepth/