无监督的情况下训练单目深度估计网络

MimJannat909

如果您将帖子的 与给定社交媒体平台的平均值进行比较，这将使您的工作变得更轻松。 百度研究 的创新成果出现在顶级计算机视觉和机器人出版物中 返回目录 我们很高兴地宣布，百度机器人研究院和自动驾驶实验室（ ）再次展现了其对推动计算机视觉和机器人技术创新和研究界限的承诺。我们非常自豪地展示我们团队所取得的卓越成就，他们已在 、 和 等著名期刊上发表了 篇论文，以及 多媒体会议 和 国际智能机器人与系统会议 。 深入研究基于不确定性的伪标签以实现鲁棒立体匹配 立体匹配是计算机视觉中的一个经典研究课题。

其目的是从一对校正后的立体图像中估计视差 深度图。然而，由于多个数据集之间的域差异和视差分布不平衡，当前的立体匹配方法通常仅限于特定数据集，并且对其他数据集的泛化性较差。这种域转移问题通常通过对昂贵的目标域地面实况数据进行大 电话号码列表 幅调整来解决，而这些数据在实际设置中不容易获得。 在这篇 期刊论文中，我们建议深入研究不确定性估计，以解决立体匹配任务中多个数据集之间的域差异和不平衡视差分布。具体来说，为了平衡视差分布，我们采用像素级不确定性估计。



来自适应调整后续阶段的视差搜索空间，从而驱动网络逐步修剪掉不太可能对应的空间。然后，为了解决有限的地面实况数据，提出了一种基于不确定性的伪标签，使预训练模型适应新领域，其中提出了像素级和区域级不确定性估计来滤除高不确定性预测视差图的像素并生成稀疏而可靠的伪标签来对齐域间隙。 实验上，我们的方法表现出强大的跨域、适应和联合泛化能力，并在 年鲁棒视觉挑战赛的立体任务中获得第一名。此外，我们基于不确定性的伪标签可以扩展到在方式，甚至达到与监督方法相当的性能。