MobileXNet：一种用于单目深度估计的高效卷积神经网络
机器人学
2021-11-25 v1
摘要
深度是自动驾驶车辆感知障碍物的一项关键信息。由于单目相机价格相对低廉且体积小巧，从单张RGB图像进行深度估计引起了研究界的极大兴趣。近年来，深度神经网络（DNNs）的应用显著提升了单目深度估计（MDE）的准确性。最先进的方法通常基于复杂且极深的网络架构设计，这需要更多的计算资源，并且在不使用高端GPU的情况下无法实时运行。尽管一些研究人员试图加速运行速度，但由于压缩后的模型不能很好地表示图像，深度估计的准确性有所下降。此外，现有方法所使用的特征提取器的固有特性导致生成的特征图中存在严重的空间信息丢失，这也损害了在小尺寸图像上的深度估计准确性。在本研究中，我们旨在设计一种新颖且高效的卷积神经网络（CNN），该网络将两个浅层的编码器-解码器风格子网络串联起来以解决这些问题。我们特别关注MDE准确性与速度之间的权衡。我们在NYU depth v2、KITTI、Make3D和Unreal数据集上进行了广泛的实验。与那些具有极深和复杂架构的最先进方法相比，所提出的网络不仅在性能上具有可比性，而且能在单个性能较低的GPU上以更快的速度运行。
引用
@article{arxiv.2111.12334,
title = {MobileXNet: An Efficient Convolutional Neural Network for Monocular Depth Estimation},
author = {Xingshuai Dong and Matthew A. Garratt and Sreenatha G. Anavatti and Hussein A. Abbass},
journal= {arXiv preprint arXiv:2111.12334},
year = {2021}
}