论文提出了一种同时预测深度估计和语义分割输出的 CNN 模型,通过对单目输入图像进行实验,我们证明了该模型对于场景理解和深度估计能力达到了最新的研究水平。
Jul, 2019
本研究采用多尺度卷积神经网络,提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型,该模型采用单一损失函数进行训练,同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用,实现更精确的结果。在 NYUDepth V2 数据集上进行实验,该模型在语义分割方面表现优于最先进方法,在深度估计任务上实现可比较的结果。
Apr, 2016
通过引入语义物体性概念分析成像过程,本文提出了一种基于物体性假设的语义物体分割和深度估计网络(SOSD-Net),并采用期望最大化算法的迭代思想更有效地训练该网络,实验结果表明该方法具有卓越的性能。
Jan, 2021
本文提出了一种新的端到端模型,以 RGB 和稀疏深度为输入,联合执行语义分割和深度完成,通过实验表明将语义分割和深度完成结合在一个多任务网络中可以有效提高每个任务的性能。
Sep, 2022
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
本文提出了一种用于改善深度估计的 CNN 体系结构,该体系结合语义分割任务。所提出的模型是使用无监督方法进行训练的,并采用双目摄像系统的图像对。实验表明,使用语义分割的嵌入可以提高深度估计的性能
Sep, 2018
本文提出了一种有效的编码器 - 解码器模型和基于注意力的融合模块,以集成 RGB-Depth 图像的特征,从而提高语义分割的精度和计算效率。实验结果表明,该模型在计算成本和模型大小方面大大超越了现有的最先进模型,并且在准确性方面具有良好的性能。
Dec, 2019
通过利用语义标记的图像和通过图像变形获得的无监督信号来联合学习语义分割和深度估计,提出了一种半监督的深度估计方法,结果表明在 KITTI 数据集上超过了单目深度估计的先进方法。
Oct, 2018
该研究提出了一种单一联合训练算法,能够有效地应用于语义图像分割任务,并在具有挑战性的 PASCAL VOC 2012 数据集上呈现鼓舞人心的结果。
Mar, 2015
本论文介绍了一种用于深度估计和语义分割的神经网络框架设计,分析了深度和语义预测图之间的交叉模态影响,并提出了平衡交叉模态影响以实现更好精度的方法。通过提出的 CNN 架构,达到了在 NYU-Depth v2 基准测试中,同时提高深度估计和语义标记的结果的目的。
Feb, 2017