面向单目深度估计的可解释深度网络
计算机视觉与模式识别
2021-08-12 v1
摘要
用于单目深度估计 (MDE) 的深度网络近期取得了令人瞩目的性能，进一步理解这些网络的可解释性十分重要。现有方法试图通过考察视觉线索提供事后解释，可能未探索深度网络学习的内部表征。在本文中，我们发现网络的某些隐藏单元对特定深度范围具有选择性，因此这种行为可作为解释内部表征的一种方式。基于我们的观察，我们通过隐藏单元的深度选择性来量化深度 MDE 网络的可解释性。此外，我们进而提出一种在不改变原有架构的情况下训练可解释 MDE 深度网络的方法，即为每个单元分配一个待选择的深度范围。实验结果表明，我们的方法能够通过大幅提升单元的深度选择性来增强深度 MDE 网络的可解释性，同时不损害甚至提升深度估计精度。我们进一步提供全面分析，展示选择性单元的可靠性、我们的方法在不同层、模型和数据集上的适用性，以及对模型误差分析的演示。源代码与模型见 https://github.com/youzunzhi/InterpretableMDE 。
引用
@article{arxiv.2108.05312,
title = {Towards Interpretable Deep Networks for Monocular Depth Estimation},
author = {Zunzhi You and Yi-Hsuan Tsai and Wei-Chen Chiu and Guanbin Li},
journal= {arXiv preprint arXiv:2108.05312},
year = {2021}
}
备注
Accepted by ICCV2021