自监督单目图像深度学习与置信度估计
计算机视觉与模式识别
2018-03-16 v1
摘要
卷积神经网络(CNNs)需要大量带有真值标注的数据,这是一个具有挑战性的问题,限制了 CNNs 在许多计算机视觉任务中的发展和快速部署。我们提出了一种新颖的框架,以自监督方式从单目图像估计深度及相应的置信度。通过使用零均值归一化互相关(ZNCC)并采用多尺度块作为匹配策略,提出了一种完全可微的基于块的成本函数。该方法大幅提高了深度学习的准确性和鲁棒性。此外,所提出的基于块的成本函数可提供 0 到 1 的置信度,随后用于监督一个并行网络的训练,以学习和估计置信度图。在 KITTI 数据集上的评估表明,我们的方法优于当前最先进(state-of-the-art)的结果。
引用
@article{arxiv.1803.05530,
title = {Self-Supervised Monocular Image Depth Learning and Confidence Estimation},
author = {Long Chen and Wen Tang and Nigel John},
journal= {arXiv preprint arXiv:1803.05530},
year = {2018}
}