Aug, 2020

SynDistNet: 自监督单目鱼眼相机与语义分割结合的自动驾驶距离估计

PDF
TL;DR本研究针对自监督学习方法在鱼眼和针孔相机等复杂投影模型下无法很好地应用于距离估计的问题，提出了一种新的多任务学习策略。通过引入自注意力编码器和用鲁棒的语义特征指导解码器的距离估计网络结构，我们成功地将性能提升了 25％。同时，采用去除超参数调节的广义鲁棒损失函数和语义掩蔽策略来缓解动态物体违反静态世界假设所引起的估计误差。该方法不需要外部尺度估计，并且在 KITTI 数据集和针孔模型上达到了自监督方法的最佳性能水平。
self-supervised learningmonocular depth estimationmulti-task learningfisheye camerapinhole camera
发现论文，激发创造
  • FisheyeDistanceNet: 利用单目鱼眼相机进行自主驾驶的自监督尺度感知距离估计

    本文研究了自动驾驶和监视等领域中对大视场（>180 度）需求的鱼眼相机，探索了基于自监督学习的尺度感知框架来学习从原始单目鱼眼视频中获取欧几里得距离和自运动。作者提出的算法在 KITTI 数据集上得到了与其他自监督单目方法相媲美的最新结果。

    Oct, 2019

  • 使用内部特征融合的自监督单目深度估计

    本文提出了一种基于 HRNet 网络的深度估计网络 ——DIFFNet，它能在下采样和上采样过程中利用语义信息，并通过特征融合和注意力机制提高算法表现，实验结果表明，该方法在 KITTI 基准数据集上优于当前最先进的单目深度估计方法，并具有处理更高分辨率数据的潜力。我们还通过建立具有挑战性案例的测试集提出了额外的评估策略。

    Oct, 2021

  • 用于自动驾驶的联邦无监督单目深度估计器的学习

    提出了一种新的方法 FedSCDepth，结合联邦学习和深度自监督，能够以与当前最先进的方法相媲美且更高效的方式进行单目深度估计的学习。在 KITTI 数据集上进行的评估实验表明，所提出的方法在测试损失低于 0.13，平均仅需要 1.5k 个训练步骤，并且每轮每辆自动驾驶车辆的权重数据传输量最多为 0.415 GB，达到了近乎最新技术的性能水平。

    Oct, 2023

  • 自监督单目深度估计的细粒度语义感知表示增强

    本文提出了在无监督单目深度估计中引入跨域语义信息以提高几何表示的新思路，包括度量学习方法和特征融合模块，并在 KITTI 数据集上全面评估，在弱质地区和物体边界的监督限制下，本文提出的方法优于现有技术。

    Aug, 2021

  • OmniDet：基于全景摄像头的自动驾驶多任务视觉感知网络

    本文提出在未经校正的鱼眼图像上运行的多任务视觉感知网络来加强自动汽车系统的六个主要任务，其中包括深度估计，视觉测距，语义分割，动态分割，目标检测以及镜头污染检测，通过联合训练模型，在 KITTI 数据集上实现深度估计和姿态估计任务的最新结果。

    Feb, 2021

  • 自监督单目深度估计探究

    该论文提出了一种改进的自监督学习方法，包括最小 reprojection 损失、全分辨率多尺度采样和自动屏蔽损失，以实现单眼深度估计。研究结果表明，该方法能够在 KITTI 基准测试上达到业界领先的结果。

    Jun, 2018

  • SuperDepth: 自监督、超分辨率单目深度估计

    本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

    Oct, 2018

  • 利用传统视觉里程计增强自监督单目深度估计

    该论文提出了一种自监督学习的方法，利用几何先验和自编码器来提高单目深度估计的效果，实验结果表明该方法在 KITTI 数据集上的表现优于现有方法，适用于高性能 GPU 和嵌入式设备。

    Aug, 2019

  • UnRectDepthNet: 使用通用框架处理常见相机失真模型的自监督单目深度估计

    提出了一种通用的自我监督的尺度感知管道用于从未经矫正的单目视频中估计深度、欧几里得距离和视觉里程计，该方法可以避免长焦变形输入的失真，不会受视野范围缩小、重新采样畸变、校准误差敏感的副作用影响，性能优越。

    Jul, 2020

  • 自监督单目深度估计中的 Transformer 模型（不考虑相机内参）

    研究在自动驾驶和高级驾驶辅助系统下，使用视觉转换器作为新的方法来进行单目深度估计，在 KITTI 深度预测基准上取得了与卷积神经网络相似的性能，同时具有更强的鲁棒性和可扩展性。

    Feb, 2022