THE 基准：面向单目高度估计的可迁移表示学习
计算机视觉与模式识别
2023-09-22 v2
摘要
快速生成三维城市模型对许多应用至关重要。单目高度估计是获取大规模几何信息最高效且最及时的方法之一。然而，现有工作主要聚焦于使用无偏数据集训练和测试模型，这与真实世界应用并不契合。因此，我们提出一个新的基准数据集，以研究跨数据集设定下高度估计模型的迁移能力。为此，我们首先设计并构建了一个用于高度估计任务上跨数据集迁移学习的大规模基准数据集。该基准数据集包含一个新提出的大规模合成数据集、一个新收集的真实世界数据集，以及来自不同城市的四个现有数据集。其次，设计了一种新的实验协议：少样本跨数据集迁移。此外，本文提出一种尺度可变形卷积模块，以增强基于窗口的 Transformer 处理高度估计任务中的尺度变化问题。实验结果证明了所提方法在传统设定与跨数据集迁移设定中的有效性。数据集与代码已公开于 https://mediatum.ub.tum.de/1662763 与 https://thebenchmarkh.github.io/。
引用
@article{arxiv.2112.14985,
title = {THE Benchmark: Transferable Representation Learning for Monocular Height Estimation},
author = {Zhitong Xiong and Wei Huang and Jingtao Hu and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2112.14985},
year = {2023}
}
备注
14 pages