Java包装类 Hibernate html ruby junit binding safari NEJ vue注册组件 jq遍历 jquery查找子元素 oracle无效的列索引 sublime分屏快捷键 spark数据清洗 pcie转sata matlab插值函数 java解析pdf python多线程编程 python安装 python实战 python基础教程免费 java链接mysql数据库 java搭建 java语言代码大全 java时间戳转日期 java框架学习 java操作数据库 linux如何安装 0x0000004e 苹果5s降级 xs颜色 微信客户管理系统 矩阵分析与应用 隐藏进程 如何给黑白照片上色 编程语言实现模式 坐标标注插件 火萤壁纸下载 流程图制作工具 电脑待机费电吗
当前位置: 首页 > 学习教程  > 编程语言

ECCV2018:加了概率的SfM

2020/9/19 16:32:48 文章标签: 测试文章如有侵权请发送至邮箱809451989@qq.com投诉后文章立即删除

论文:添加链接描述

摘要

最近的工作表明,在可能从未标记的视频序列中学习用于单目深度和自我运动估计的深度神经网络,这是一个有趣的理论发展。在本文中,我们提出了对这些方法的许多改进。首先,由于这种自我监督方法基于亮度恒定假设,该假设仅对像素子集有效,因此我们提出了一种概率学习公式,其中网络可以预测变量而不是特定值的分布。由于这些分布以观察到的图像为条件,因此网络可以了解哪些场景和对象类型可能违反模型假设,从而获得更可靠的学习。我们还在SFMLearner算法的基础上提出建议。为此,我们使用现成的SFMLearner为深度神经网络生成监控信号。尽管此信号也很嘈杂,但我们表明,我们的概率公式可以学习和解决SFM的缺陷,从而有助于集成不同的信息源并提高网络的整体性能。

贡献

1、增强亮度恒定损失
将MonoDepth种使用的结构相似性损失引入到SfMLearner种。
(1)基本地光度损失函数

在这里插入图片描述

(2)结构相似性损失
在这里插入图片描述

(3)两者结合

在这里插入图片描述

损失为:

在这里插入图片描述

2、加入了明确的置信度模型
SfMLearner会预测一个“可解释性图”,其目的是识别图像中亮度常数约束很可能满足的区域。但是原始公式是启发式的。例如,必须对可解释性图进行规范化处理,以免使其退化。
我们表明,通过将可解释性转变成一个适当的概率模型,可以得出测量数据观察可能性的自洽公式,可以获得更好的结果。为了做到这一点,我们为每个像素预测了可能的亮度分布,这使模型可以表达出一定程度的置信,即在某个图像位置上将如何准确地满足亮度恒定性。
(1)使用拉普拉斯分布时

在这里插入图片描述

负对数似然公式为:

在这里插入图片描述

当σ= | y-yˆ |时,损耗最小,从而得出对数似然值为

在这里插入图片描述

(2)应用至光度损失函数

在这里插入图片描述

3、用旧的SfM监督新的SfM
(1)旧的损失

在这里插入图片描述

(2)引入概率之后的损失

在这里插入图片描述


本文链接: http://www.dtmao.cc/news_show_200443.shtml

附件下载

相关教程

    暂无相关的数据...

共有条评论 网友评论

验证码: 看不清楚?