基于显著点检测与归一化 Hessian 损失引导的单目深度估计
计算机视觉与模式识别
2021-08-26 v1
摘要
深度神经网络近期在单图像深度估计中取得了巨大成功。尽管如此，当前关于该主题的研究凸显了精度与网络大小之间明显的折中。本工作提出了一种准确且轻量级的单目深度估计框架，该框架基于源自显著点检测的自注意力机制。具体而言，我们利用一组稀疏的关键点来训练由 Fusion-Net 和 Saliency-Net 两个主要组件组成的 FuSaNet 模型。此外，我们引入了一个对深度方向上的缩放和剪切保持不变的归一化 Hessian 损失项，该损失项被证明能显著提高精度。所提出的方法在 NYU-Depth-v2 和 KITTI 上取得了 SOTA 结果，同时其参数数量比基线方法少 3.1 至 38.4 倍。在 SUN-RGBD 上的实验进一步证明了所提出方法的泛化能力。
引用
@article{arxiv.2108.11098,
title = {Monocular Depth Estimation Primed by Salient Point Detection and Normalized Hessian Loss},
author = {Lam Huynh and Matteo Pedone and Phong Nguyen and Jiri Matas and Esa Rahtu and Janne Heikkila},
journal= {arXiv preprint arXiv:2108.11098},
year = {2021}
}
备注
11 pages, 7 figures