基于多尺度连续CRF作为序列深度网络的单目深度估计
计算机视觉与模式识别
2018-03-05 v1
摘要
深度线索已被证明在各种计算机视觉与机器人任务中非常有用。本文解决从单幅静态图像进行单目深度估计的问题。受近期多尺度卷积神经网络(CNN)工作的有效性启发，我们提出了一种融合从多个CNN侧输出导出的互补信息的深度模型。与以往使用拼接或加权平均方案的方法不同，该融合通过连续条件随机场(CRFs)实现。具体而言，我们提出两种不同的变体，一种基于级联的多个CRF，另一种基于统一的图模型。通过设计连续CRF均值场更新的新型CNN实现，我们表明所提出的两种模型均可视为序列深度网络，且训练可以端到端进行。通过广泛的实验评估，我们证明了所提方法的有效性，并在三个公开数据集（即NYUD-V2、Make3D和KITTI）上确立了单目深度估计任务的新的最先进结果。
引用
@article{arxiv.1803.00891,
title = {Monocular Depth Estimation using Multi-Scale Continuous CRFs as Sequential Deep Networks},
author = {Dan Xu and Elisa Ricci and Wanli Ouyang and Xiaogang Wang and Nicu Sebe},
journal= {arXiv preprint arXiv:1803.00891},
year = {2018}
}
备注
arXiv admin note: substantial text overlap with arXiv:1704.02157