Conceitos Básicos
기존 데이터셋의 절대 깊이 예측 능력을 새로운 도메인에 전이할 수 있는 방법을 제안한다.
Resumo
이 연구는 단일 카메라 깊이 예측 모델의 절대 깊이 예측 능력을 새로운 도메인으로 전이하는 방법을 제안한다.
기존에는 새로운 도메인의 깊이 데이터를 직접 수집해야 했지만, 이 방법은 기존 데이터셋의 깊이 정보를 활용하여 새로운 도메인에서의 절대 깊이 예측을 가능하게 한다.
구체적으로 다음과 같은 과정을 거친다:
기존 데이터셋의 이미지 FOV를 새로운 도메인의 FOV에 맞게 조정
기존 데이터와 새로운 도메인 데이터를 혼합하여 자기지도 학습 수행
기존 데이터의 GT 깊이와 예측 깊이의 선형 관계를 모델링하여 깊이 스케일 계수 추정
새로운 도메인의 예측 깊이에 추정된 깊이 스케일 계수를 적용하여 절대 깊이 예측
이를 통해 기존 데이터셋의 깊이 정보를 활용하여 새로운 도메인에서의 절대 깊이 예측이 가능해진다. 실험 결과 기존 방법들과 비교해 경쟁력 있는 성능을 보였다.
Estatísticas
예측 깊이와 GT 깊이 사이의 선형 관계의 기울기(Gdscale)는 KITTI 데이터셋에서 83.1, DDAD9 데이터셋에서 99.5, DDAD1 데이터셋에서 136.5로 나타났다.
두 도메인의 데이터를 혼합하여 학습하면 Gdscale이 KITTI에서 99.3, DDAD9에서 99.5, DDAD1에서 127.3으로 수렴하였다.
Citações
"우리는 기존 합성 또는 실제 데이터셋을 재사용하여 새로운 대상 데이터셋으로 깊이 스케일을 전이할 수 있는 대안 솔루션을 제시한다."
"우리는 자기지도 깊이 추정기가 스케일이 없는 예측을 생성하지만, 이는 도메인 전반에 걸쳐 선형적으로 상관되어 있다는 특성을 이 연구에서 모델링한다."