PPEA-Depth：用于自监督单目深度估计的渐进式参数高效自适应
计算机视觉与模式识别
2024-01-18 v2
摘要
自监督单目深度估计具有重要意义，其应用跨越自动驾驶和机器人领域。然而，对自监督的依赖引入了强烈的静态场景假设，从而在大多数现实世界情况普遍存在的动态场景中实现最佳性能提出了挑战。为了解决这些问题，我们提出了 PPEA-Depth，一种渐进式参数高效自适应方法，用于迁移预训练图像模型以进行自监督深度估计。训练包含两个连续阶段：初始阶段在主要由静态场景组成的数据集上训练，随后扩展到包含动态场景的更复杂数据集。为了促进这一过程，我们设计了紧凑的编码器和解码器适配器以实现参数高效微调，使网络能够有效适应。它们不仅保留了预训练图像模型中的泛化模式，还将前一阶段获得的知识保留到后一阶段。大量实验表明，PPEA-Depth 在 KITTI、CityScapes 和 DDAD 数据集上取得了 SOTA 性能。
引用
@article{arxiv.2312.13066,
title = {PPEA-Depth: Progressive Parameter-Efficient Adaptation for Self-Supervised Monocular Depth Estimation},
author = {Yue-Jiang Dong and Yuan-Chen Guo and Ying-Tian Liu and Fang-Lue Zhang and Song-Hai Zhang},
journal= {arXiv preprint arXiv:2312.13066},
year = {2024}
}
备注
Accepted by AAAI 2024 Project homepage: https://yuejiangdong.github.io/PPEADepth/