多尺度连续 CRF 作为序列深度网络用于单目深度估计
计算机视觉与模式识别
2017-04-10 v1
摘要
本文解决从单张静态图像进行深度估计的问题。受近期多尺度卷积神经网络 (CNN) 工作的启发，我们提出了一种深度模型，融合从多个 CNN 侧输出得到的互补信息。与先前方法不同，该融合是通过连续条件随机场 (CRFs) 实现的。具体地，我们提出两种不同的变体，一种基于多个 CRF 的级联，另一种基于统一的图模型。通过设计用于连续 CRF 的平均场更新的新型 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，并在公开可用数据集上建立了新的最先进结果。
引用
@article{arxiv.1704.02157,
title = {Multi-Scale Continuous CRFs as Sequential Deep Networks for Monocular Depth Estimation},
author = {Dan Xu and Elisa Ricci and Wanli Ouyang and Xiaogang Wang and Nicu Sebe},
journal= {arXiv preprint arXiv:1704.02157},
year = {2017}
}
备注
Accepted as a spotlight paper at CVPR 2017