MiniNet：一种用于实时无监督单目深度估计的极轻量卷积神经网络
计算机视觉与模式识别
2020-06-30 v1
摘要
从单幅图像预测深度是一个引人关注的研究课题，因为它为机器提供了额外一维信息以更好地感知世界。近年来，深度学习已成为单目深度估计的一种有效方法。由于获取标注数据成本高昂，近期出现了从监督学习转向无监督学习以获取单目深度的趋势。然而，大多数能够实现高深度预测精度的无监督学习方法都需要深层网络架构，其过于繁重复杂，无法在存储和内存受限的嵌入式设备上运行。为解决此问题，我们提出了一种带循环模块的新颖强大网络，在保持极轻量规模的同时实现深层网络的能力，用于从视频序列进行实时高性能无监督单目深度预测。此外，提出了一种新颖的高效上采样块，以融合来自对应编码器层的特征，并以极少的模型参数恢复特征的空间尺寸。我们在 KITTI 数据集上通过大量实验验证了方法的有效性。我们的新模型在单块 GPU 上可达约 110 帧每秒（fps）速度，单块 CPU 上 37 fps，树莓派 3 上 2 fps。而且，其以比最优模型少近 33 倍的模型参数取得了更高的深度精度。据我们所知，本工作是首个在单目视频序列上训练用于实时无监督单目深度估计的极轻量神经网络，这为在低成本嵌入式设备上实现基于深度学习的实时无监督单目深度预测开辟了可能。
引用
@article{arxiv.2006.15350,
title = {MiniNet: An extremely lightweight convolutional neural network for real-time unsupervised monocular depth estimation},
author = {Jun Liu and Qing Li and Rui Cao and Wenming Tang and Guoping Qiu},
journal= {arXiv preprint arXiv:2006.15350},
year = {2020}
}