通过 CNN 进行置信度传递,用于引导稀疏深度回归
本研究提出一种代数约束卷积层来解决在卷积神经网络中处理稀疏和不规则间隔输入数据的问题,并且在场景深度完成任务中展示其能力,通过新颖的方法确定置信度并传递到后续层,并提出一个目标函数,同时最小化数据误差并最大化输出置信度,在 KITTI 深度基准上进行了广泛实验并证明了明显的优越性。
May, 2018
本文提出了一种用于处理稀疏数据的卷积神经网络架构,采用了一种稀疏卷积层,能够在深度上采样中取得优异的实验效果,作者构建了一个新的基准数据集 KITTI benchmark 进行了验证。
Aug, 2017
本文提出了一种统一的 CNN 框架来规范化深度完成,通过模拟深度与表面法线之间的几何约束,预测稀疏 LiDAR 输入的置信度,以隔离噪声的影响,以实现从稀疏深度图恢复密集深度图的目标,我们在 KITTI 深度完成数据集和 NYU-Depth-V2 数据集上进行了大量实验,证明了我们的方法达到了最先进的性能。
Oct, 2019
该论文介绍了一种处理稀疏深度数据的方法,它可以完成深度补全和语义分割,且具有网络鲁棒性,适用于包括 8 层雷达在内的密度极低的场景,并在 KITTI 深度补全基准测试中表现出优越性能。
Aug, 2018
提出了一种简单而有效的卷积空间传播网络(CSPN),通过递归卷积操作和深度卷积神经网络学习邻域像素之间的相似性,从单张图像中进行深度估计,可以在深度输出的精度和速度方面改进现有的先进技术方法。
Aug, 2018
该研究论文设计了一种基于引导网络和卷积分解的多模态特征融合方法,旨在实现在自动驾驶等机器人应用中高精度的深度图像恢复。该方法针对现代 LiDAR 传感器只能提供稀疏深度测量的问题,通过使用同步引导 RGB 图像,并从引导图像中预测核权重,以此来提取深度图像特征,该方法能够高效准确地处理深度数据恢复,具有很高的实用价值和应用前景。
Aug, 2019
本研究提出了一种使用归一化卷积神经网络(NCNNs)学习输入置信度估计的新方法,并提出了 NCNNs 的概率版本以产生具有统计意义的不确定性度量,可用于噪声深度传感器的深度完成任务,并在 KITTI 数据集上表现出在预测准确度、不确定性度量质量以及计算效率方面优于所有现有的贝叶斯深度学习方法,同时还展示了分离网络到并行不确定性和预测流的性能媲美具有数百万参数的常规方法。
Jun, 2020
本文提出一种 Depth-aware CNN 方法,通过引入深度感知卷积和深度感知平均池化两种直观、灵活、有效的操作,将几何信息无缝地融入 CNN 中,从而解决了 CNN 在处理几何信息上的限制问题,并且在具有挑战性的 RGB-D 语义分割基准测试上进行的广泛实验和消融研究证实了该方法的有效性和灵活性。
Mar, 2018
本文提出了一种卷积神经网络,它可以基于高分辨率强度图像得出上采样一系列稀疏范围测量的上下文线索,并且在网络中分离、融合两种模态的上下文线索,旨在利用两种模态之间的关系来产生准确的结果,同时尊重显著的图像结构。通过实验结果表明,该方法与当前最先进的方法相媲美,并可在多个数据集上进行有效泛化。
Feb, 2019