基于元学习的立体深度估计在线自适应方法
计算机视觉与模式识别
2019-04-19 v1
摘要
在这项工作中，我们解决了立体深度估计的在线自适应问题，即持续地将深度网络适应于在不同于源训练集的环境中记录的目标视频。为解决该问题，我们提出了一种新颖的带自适应在线元学习模型（OMLA）。我们的方案基于两个主要贡献。首先，为减少源和目标特征分布之间的域偏移，我们引入了源自批归一化的在线特征对齐过程。其次，我们设计了一种元学习方法，利用特征对齐在在线学习设置中实现更快收敛。此外，我们提出了一种元预训练算法，以便在源数据集上获得初始网络权重，从而便于对未来数据流进行自适应。在实验上，我们表明OMLA和元预训练均有助于模型更快地适应新环境。我们的方案在公认的KITTI数据集上进行了评估，其中我们表明我们的在线方法与在批量设置下训练的最先进算法具有竞争力。
引用
@article{arxiv.1904.08462,
title = {Online Adaptation through Meta-Learning for Stereo Depth Estimation},
author = {Zhenyu Zhang and Stéphane Lathuilière and Andrea Pilzer and Nicu Sebe and Elisa Ricci and Jian Yang},
journal= {arXiv preprint arXiv:1904.08462},
year = {2019}
}
备注
12 pages