logo资料库

深度估计论文学习.docx

发布时间：2022-06-19 发布人：admin 分类：说明书 资料大小：0.07M 资料格式：docx 举报 版权申诉
第1页 / 共4页
第2页 / 共4页
第3页 / 共4页
第4页 / 共4页
资料共4页，全文预览结束
    第18周总结
    第 18 周总结 姓名：徐玙璠 年级：硕士一年级 日期：2018 年 1 月 20 日 《 Unsupervised Monocular Depth Estimation with Left-Right Consistency 》 这 篇 文 章 是 受 《 Unsupervised Monocular Depth Estimation with Left-Right Consistency》这篇 文章启发，这周主要看的这篇文章。 《 Unsupervised Monocular Depth Estimation with Left-Right Consistency》主要工作就是通过无监督学习，利用 单张图像来估计深度。训练的时候通过单张图像生成视差图， 并合成另一张图，损失函数是基于图像重建的误差。但是仅 用图像重建的误差，在图像重建时表现很好，但在深度估计 上表现的并不好。因此后来被改进为基于左右图像视差的一 致性的损失函数。 1、系统框架： 本文没有直接估计深度，而是先估计左右视差和右左视 差，最后训练完毕，得到视差 d，利用深度:depth=bf/d；得 到深度；其中 b 为基线长度，f 为焦距。视差估计网络如下：
    2、网络框架： 作者的网络通过推测视差将左图弯曲来匹配右图。主要 的 insight 可以只用左图同时预测两个视差（左边到右边， 右边到左边），用左右一致性来增强它。作者的网络通过双 目反向匹配生成了预测图像，是一个完全可微的图像形成网 络。如图三所示，naive 一些的做法是从左图采样，生成与 目标右图对齐的视差图。然而作者想要从右图采样输出与左 图对齐的视差图。这样就是 NoLR 的方法。只是这么做的话， 被推断出来的视差图表现出“纹理拷贝”人工合成和深度 图连续性上面误差。作者通过从相反的输入图像采样训练网 络预测两个视角的视差图的方法解决这个问题。这样做也只 需要单个左图作为卷积神经网络的输入，右图只在训练时候 使用。用左右图一致性损失增强左右视差图的一致性可以让 结果更准确。
    作者的全卷积架构是被 DipsNet 启发的，几个重要的修正让 作者不需要 ground truth 深度图训练。作者的网络主要由 两个部分组成： 1）编码器：从第一层卷积到第七层卷积 b 2）解码器：从反卷积 7 解码器是从编码器的激活块做 skip connections 的， 这样可以让它能够分解更高的分辨细节。作者输出视差预测 在不同的尺度（从 disp4 到 disp1），这样可以在不同字序列 尺度上的空间分辨率上加倍。虽然只用单张图作为输入，网 络在每个输出尺度预测两张视差图：左到右，右到左。 3、损失函数 作者定义了一个损失 Cs 在每个输出尺度 s ，组成了总体 损失 ，作者的损失主要由三个部分组成： 其中 Cap 激励重建图像表现的像对应的训练输入， Cds 增强视 差的平滑性，Clr 是与预测的左右视差图一致性相关。每一项 都包换左右图变量，但是只有左图会喂到卷积层中。
    下一步，要说损失函数的每一个部分在左图中，而对右图版 本来说需要交换左右图在另一个方向采样。 4、总结 作者展示了一个无监督深度神经网络用以单张图片深 度估计。作者不用对齐的 ground truth 这种稀少而且消耗 资源的方法，用了采集的双目立体数据。作者新颖的损失函 数增强了各个视角的预测深度图的一致性。 之后的工作，可以将模型延伸到视频上。现在的深度估 计每一帧都是独立的，加入时间连贯性之后，可能能提升结 果。
    分享到：
    赞 收藏

    相关推荐

    资料库

    人工智能

    共收录2047份资料，累计62个分类，关注成员有19位，主要包括：GNSS,Pico-SIM868-GSM,GPRS,NB-IoT,GPRSHAT,SIM7070GCat-M,GNSSHAT,GSM,NB-IoTHAT,SIM7080GCat-M,R800CGSM,SIM800CGSM,UPSPowerModule(B),UPSPowerModule,Pico-SIM7020C-NB-IoT,SIM7028NB-IoTHAT,SIM7020CNB-IoTHAT,SIM7000XNB-IoTHAT,A7670CCat-1HAT,A7600C1Cat-1,SIM7600X4G&LTECat-1HAT,SIM7600X4GDONGLE用户手册,RM520N-GL5GHAT,RM500Q-GL5GHAT,RM500U-CN5GHAT,SIM820X-M25GforJetsonNano,AudioCardforJetsonNano,SIM7600G-H4GforJetsonNano,OpenNCC-Lite-4G8M,IMX219-77Camera,13.3inche-PaperHAT,10.3inche-PaperHAT(D),10.3inche-PaperHAT,9.7inche-PaperHAT,7.8inche-PaperHAT,6inchHDTouche-PaperHAT,6inchHDe-PaperHAT,6inche-PaperHAT,5.83inche-PaperHAT(C),LCD-Clock-A,0.95inchRGBOLED(A),0.96inchRGBOLEDModule,0.96inchOLEDModule,0.96inchOLED(A),1.27inchRGBOLEDModule,1.3inchOLEDModule(C),1.3inchOLED(A),1.32inchOLEDModule,1.5inchRGBOLEDModule,1.5inchOLEDModule,JETSONORINNX,自然语言处理,搜索引擎,VR,计算广告,深度学习,机器学习

    热门标签

    GNSS Pico-SIM868-GSM GPRS NB-IoT GPRSHAT SIM7070GCat-M GNSSHAT GSM NB-IoTHAT SIM7080GCat-M R800CGSM SIM800CGSM UPSPowerModule(B) UPSPowerModule Pico-SIM7020C-NB-IoT SIM7028NB-IoTHAT SIM7020CNB-IoTHAT SIM7000XNB-IoTHAT A7670CCat-1HAT A7600C1Cat-1 SIM7600X4G&LTECat-1HAT SIM7600X4GDONGLE用户手册 RM520N-GL5GHAT RM500Q-GL5GHAT RM500U-CN5GHAT SIM820X-M25GforJetsonNano AudioCardforJetsonNano SIM7600G-H4GforJetsonNano OpenNCC-Lite-4G8M IMX219-77Camera 13.3inche-PaperHAT 10.3inche-PaperHAT(D) 10.3inche-PaperHAT 9.7inche-PaperHAT 7.8inche-PaperHAT 6inchHDTouche-PaperHAT 6inchHDe-PaperHAT 6inche-PaperHAT 5.83inche-PaperHAT(C) LCD-Clock-A 0.95inchRGBOLED(A) 0.96inchRGBOLEDModule 0.96inchOLEDModule 0.96inchOLED(A) 1.27inchRGBOLEDModule 1.3inchOLEDModule(C) 1.3inchOLED(A) 1.32inchOLEDModule 1.5inchRGBOLEDModule 1.5inchOLEDModule JETSONORINNX 自然语言处理 搜索引擎 VR 计算广告 深度学习 机器学习

    最新资料