结合内部特征融合的自监督单目深度估计
计算机视觉与模式识别
2021-11-22 v3
摘要
用于深度估计的自监督学习利用图像序列中的几何信息进行监督，并展现出可期的结果。与许多计算机视觉任务一样，深度网络的性能取决于从图像中学习精确空间和语义表示的能力。因此，利用语义分割网络进行深度估计是很自然的。在本工作中，基于成熟的语义分割网络 HRNet，我们提出了一种新颖的深度估计网络 DIFFNet，它能够在下采样和上采样过程中利用语义信息。通过应用特征融合和注意力机制，我们所提出的方法在 KITTI 基准上优于现有的单目深度估计方法。我们的方法在更高分辨率的训练数据上也展现出更大的潜力。我们通过建立一个由标准基准经验推导出的具有挑战性案例的测试集，提出了一种额外的扩展评估策略。
引用
@article{arxiv.2110.09482,
title = {Self-Supervised Monocular Depth Estimation with Internal Feature Fusion},
author = {Hang Zhou and David Greenwood and Sarah Taylor},
journal= {arXiv preprint arXiv:2110.09482},
year = {2021}
}
备注
Accepted at BMVC2021