基于 Plackett-Luce 模型列表排序的单目深度估计
计算机视觉与模式识别
2021-07-08 v4 机器学习
摘要
在许多现实应用中,图像中物体的相对深度对场景理解至关重要。近期方法主要将单目图像中的深度预测问题视为回归任务来处理。然而,由于首要关注的是顺序关系,排序方法作为回归的自然替代颇具吸引力;事实上,利用成对比较作为训练信息(“物体 A 比 B 更靠近相机”)的排序方法已在该问题上展现出有前景的性能。本文中,我们详述了所谓列表排序作为成对方法泛化的使用。我们的方法基于 Plackett-Luce (PL) 模型——一种排序上的概率分布,将其与最先进的神经网络架构及一种降低训练复杂度的简单采样策略相结合。此外,利用 PL 作为随机效用模型的表示,所提出的预测器提供了一种自然的方式,从训练时仅提供的排序数据中恢复(平移不变的)度量深度信息。在多个基准数据集上的“零样本”设置的实证评估证明了我们的方法相较于现有排序与回归方法的有效性。
引用
@article{arxiv.2010.13118,
title = {Monocular Depth Estimation via Listwise Ranking using the Plackett-Luce Model},
author = {Julian Lienen and Eyke Hüllermeier and Ralph Ewerth and Nils Nommensen},
journal= {arXiv preprint arXiv:2010.13118},
year = {2021}
}
备注
15 pages, 5 figures, 7 tables, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) 2021