文献

J-GLOBAL ID：202002270201499189   整理番号：20A1750165

自己注意と離散視差体積を用いた自己教師付き単眼訓練深さ推定【JST・京大機械翻訳】

Self-Supervised Monocular Trained Depth Estimation Using Self-Attention and Discrete Disparity Volume

著者 (2件)： Johnston Adrian (Australian Institute for Machine Learning, School of Computer Science, University of Adelaide) ,  Carneiro Gustavo (Australian Institute for Machine Learning, School of Computer Science, University of Adelaide)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CVPR  ページ： 4755-4764  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 単眼深度推定はコンピュータビジョンにおける最も研究された応用の1つとなり,最も正確な手法は完全教師つき学習モデルに基づいている。しかし,これらの完全に教師つき方法をモデル化するための正確で大きなグランドトルースデータセットの取得は,この領域の更なる開発にとって大きな課題である。単眼ビデオで訓練された自己監督法は,訓練データの広範なアベイラビリティにより,上記の課題を緩和するための最も有望なアプローチを構成する。その結果,それらは集中的に研究され,そこでは,主なアイデアは,非剛体運動に対処するために,異なるタイプのモデルアーキテクチャ,損失関数,およびオクルージョンマスクから成る。本論文では,自己教師付き単眼訓練深さ推定を改善する2つの新しいアイデアを提案した。1)自己注意,2)離散視差予測。通常の局所畳み込み操作と比較して,自己注意は,画像の非con雑な領域における類似の視差値の推論を可能にするより一般的な文脈情報を探索することができる。離散視差予測は,より一般的な連続視差予測よりも,よりロバストでより鋭い深度推定を提供するための完全教師つき手法によって示され,また,深さ不確実性の推定を可能にする。これらの2つのアイデアによる最先端の自己監督単眼訓練深さ推定子Mono深さ2の拡張は,KITTI 2015とMake3Dの分野において最良の結果を生成するモデルの設計を可能にし,自己監督された立体訓練と完全教師つき手法に関するギャップを閉じることを示した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  学習モデル ,  損失関数 ,  不確実性 ,  アベイラビリティ ,  *視差 ,  録画装置 ,  *単眼 ,  コンピュータビジョン ,  推定量 ,  計算機アーキテクチャ ,  ロバスト性 ,  オクルージョン
準シソーラス用語： 訓練データ ,  グランドトゥルース , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： 自己 ,  注意 ,  視差 ,  体積 ,  教師 ,  単眼 ,  訓練 ,  推定