Semi-Supervised Deep Learning for Monocular Depth Map Prediction
研究背景
监督学习通常需要大量的标记数据作为监督信号,标记数据通常由雷达或者深度相机获取,通过以上两种方式得到的数据稀疏且有噪声,相机之间的标定也不是很准确。
无监督学习,基于立体图像匹配的深度图重建本来就是一个不定的问题。
创新点
提出了结合了监督学习和无监督学习的半监督学习方法。
由上图可以看出本文的基本思路是:通过卷积网络得到两张图片之间的深度倒数ρ(x)\rho(x)ρ(x)。
监督方法就是将ρ(x)\rho(x)ρ(x)和通过雷达得到的真值Z(x)联合训练。
无监督方法就是通过立体相机baseline,焦距以及深度之间的关系得到另一张图片的像素位置。
损失函数
损失函数分为四部分:
1.无监督学习下的通过左侧图片预测右侧图片,这会得到一个误差
2. 无监督学习下的通过右侧图片预测左侧图片,这会得到一个误差
3. 有监督学习下的左侧深度和真值误差
4. 有监督学习下的右侧深度和真值误差
Semi-Supervised Deep Learning for Monocular Depth Map Prediction相关推荐
- 学习笔记-Depth Map Prediction from a Single Image using a Multi-Scale Deep Network
Depth Map Prediction from a Single Image using a Multi-Scale Deep Network 在这篇了论文中,我们提出了一种估计单张图片深度信息的 ...
- 解读《A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome》
全文名称:A Regularized Deep Learning Approach for Clinical Risk Prediction of Acute Coronary Syndrome Us ...
- 2022-ICML-EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction
2022-ICML-EquiBind: Geometric Deep Learning for Drug Binding Structure Prediction Paper: https://arx ...
- Weakly Supervised Deep Learning for Thoracic DiseaseClassification and Localization on Chest X-rays
摘要 胸部X光检查时临床上最常见和最实惠的放射检查之一.虽然在胸部X线上检测胸部疾病仍然是一项具有挑战性的任务,但由于1)不同胸部疾病患者的X涉嫌上病变区域出现的高度不同,以及2)放射科医生缺乏准确的 ...
- Clinical-grade computational pathology using weakly supervised deep learning on whole slide images
2019年 nature medicine 代码:https://github.com/MSKCC-Computational-Pathology/MIL-nature-medicine-2019 动 ...
- 文章阅读:Generalizable Beat-by-Beat Arrhythmia Detection by Using Weakly Supervised Deep Learning
文章来源:https://www.frontiersin.org/articles/10.3389/fphys.2022.850951/full 摘要: 动态心电图(ECG)监测中的逐搏心律失常检测对 ...
- 面向单目深度估计的基于几何的预训练方式 -- Geometric Pretraining for Monocular Depth Estimation
一些前提知识 Monocular Depth Estimation:单目深度估计,从单张图片中去预测每个像素点具体的深度,相当于从二维图像推测出三维空间. ImageNet-Pretraining:基 ...
- paper survey ——deep learning or machine learing and optical communication
machine learning 或者说deep learning已经被广泛应用于各种领域,之前本人也发表了几篇ML或者DL跟VLC相结合的论文.本博文主要是对16年后ML或DL跟optical co ...
- 《From Big to Small:Multi-Scale Local Planar Guidance for Monocular Depth Estimation》论文笔记
参考代码:bts 1. 概述 导读:从2D图像中估计出深度信息是多解的,对此文章提出了在解码器的多个stage上加上隐式约束,从而引导解码器中适应深度估计特征的生成,从而产生更佳的深度估计结果.其中的 ...
最新文章
- python自动排课表_【python-leetcode210-拓扑排序】课程表Ⅱ
- java 动态多态性_java4 动态多态性
- MySQL 5.6 Warning - Using a password on the command line interface can be insecur 解决方案
- c#在WinForm中重写ProgressBar控件(带%的显示)
- GO恶意样本实例分析
- ajax 示例_通过示例了解挥发
- Spring @Configuration和FactoryBean
- 【渝粤教育】 国家开放大学2020年春季 1129土木工程力学(本) 参考试题
- test 1.php,test1.php
- Pyhon 获取文件夹的大小统计
- bzoj3550: [ONTAK2010]Vacation(单纯形法+线性规划)
- CentOS7.2安装linux版QQ
- switch【茶杯头xic】破解xic文件下载
- 理解SaaS、PaaS、LaaS以及之间的区别
- openFrameworks实现的简单捕鱼游戏
- c语言编程一个数的质子求出来,量子力学第一章课外练习题
- 基于rhcs套件实现的高可用集群
- msbuild构建步骤_使用并行构建和多核CPU的MSBuild进行更快的构建
- java url生成二维码
- 网站分析11——成本控制类指标
热门文章
- 谷歌浏览器ajax脚本出错,你好,用谷歌浏览器,发生脚本错误怎么处理。
- 如何做一个智能问答系统及neo4j可视化
- java文档注释添加url链接和class跳转链接
- 旋转接头出现故障的原因分享
- STM32 蓝牙平衡小车(一)硬件原理图
- TC397开发板KIT_A2G_TC397_5V_TFT简介
- 3par存储与linux系统多路径适配问题解决方案
- 201671010402-陈靖 实验十四 团队项目评审课程学习总结
- 环境土壤物理模型 HYDRUS1D/2D/3D 应用
- html ul 圆点轮播图,用jQuery实现圆点图片轮播效果