MultiDepth：基于多任务回归与分类的单图像深度估计
计算机视觉与模式识别
2019-07-26 v1
摘要
我们提出 MultiDepth，一种新颖的训练策略与卷积神经网络（CNN）架构，可将单图像深度估计（SIDE）作为多任务问题来处理。SIDE 是道路场景理解的重要组成部分，因此在高级驾驶辅助系统与自动驾驶车辆中起着至关重要的作用。迄今为止，SIDE 任务的最佳结果由深度 CNN 取得。然而，诸如深度估计之类的回归问题优化仍具挑战性。对于图像分类与语义分割等相关任务，已有众多具有鲁棒训练行为的基于 CNN 的方法被提出。因此，为克服训练过程中深度值回归 notorious 的不稳定性与慢收敛性，MultiDepth 将深度区间分类作为辅助任务。该辅助任务可在测试时禁用，从而更高效地利用主回归分支预测连续深度值。我们将 MultiDepth 应用于道路场景，并给出在 KITTI 深度预测数据集上的结果。实验中，我们表明结合回归与分类的端到端多任务学习能够显著改善训练并取得更精确的结果。
引用
@article{arxiv.1907.11111,
title = {MultiDepth: Single-Image Depth Estimation via Multi-Task Regression and Classification},
author = {Lukas Liebel and Marco Körner},
journal= {arXiv preprint arXiv:1907.11111},
year = {2019}
}
备注
Accepted for presentation at the IEEE Intelligent Transportation Systems Conference (ITSC) 2019