基于分类回归法（CAR）的单目深度估计与不确定性量化研究
计算机视觉与模式识别
2022-06-30 v2 机器学习
摘要
单目深度在许多任务中十分重要，如三维重建与自动驾驶。基于深度学习的模型在该领域达到了最先进性能。一组用于估计单目深度的新方法包括将回归任务转化为分类任务。然而，学界缺乏对分类回归法（Classification Approaches for Regression, CAR）的详尽描述与比较，也尚未深入探索其在不确定性估计上的潜力。为此，本文引入 CAR 方法的分类体系与综述、一种针对 CAR 的新不确定性估计方案，以及一组在 KITTI 数据集上针对基于 CAR 模型的深度精度与不确定性量化的实验。实验反映了不同 CAR 方法在两种骨干网络上的可移植性差异。同时，新提出的不确定性估计方法仅用一次前向传播即可优于集成方法。
引用
@article{arxiv.2202.12369,
title = {On Monocular Depth Estimation and Uncertainty Quantification using Classification Approaches for Regression},
author = {Xuanlong Yu and Gianni Franchi and Emanuel Aldea},
journal= {arXiv preprint arXiv:2202.12369},
year = {2022}
}
备注
4 pages (main paper), 2 pages (supp.) Main paper is accepted at ICIP 2022