用于单目深度估计的结构化注意力引导卷积神经场
计算机视觉与模式识别
2018-03-30 v1
摘要
最近的工作表明，将条件随机场 (CRFs) 模型集成到深度架构中以改善像素级预测任务的益处。沿着这一研究路线，在本文中我们引入了一种用于单目深度估计的新方法。与先前的工作类似，我们的方法采用连续 CRF 来融合从前端卷积神经网络 (CNN) 不同层导出的多尺度信息。与过去的工作不同，我们的方法受益于一个结构化注意力模型，该模型自动调节不同尺度下对应特征之间传递的信息量。重要的是，所提出的注意力模型无缝集成到 CRF 中，允许整个架构的端到端训练。我们广泛的实验评估证明了所提方法的有效性，该方法在 KITTI 基准上与先前的方法具有竞争力，并在 NYU Depth V2 数据集上超越了现有技术水平。
引用
@article{arxiv.1803.11029,
title = {Structured Attention Guided Convolutional Neural Fields for Monocular Depth Estimation},
author = {Dan Xu and Wei Wang and Hao Tang and Hong Liu and Nicu Sebe and Elisa Ricci},
journal= {arXiv preprint arXiv:1803.11029},
year = {2018}
}
备注
Accepted at CVPR 2018 as a spotlight