แนวคิดหลัก
提案手法は、新しい場面を継続的に学習し、以前に学習した場面を忘れずに、推論時に連続的にディスパリティを予測することができる。
บทคัดย่อ
本研究では、継続的ステレオマッチングの問題を提起する。継続的ステレオマッチングとは、1) 新しい場面を継続的に学習し、2) 以前に学習した場面を忘れずに、3) 推論時に連続的にディスパリティを予測することを目的とする。
提案手法のReusable Architecture Growth (RAG)は以下の特徴を持つ:
タスク固有のニューラルユニット検索とアーキテクチャ成長を活用し、監督学習と自己教師学習の両方で新しい場面を継続的に学習できる
以前のユニットを再利用することで、高い再利用性を維持しつつ良好なパフォーマンスを得ることができる
Scene Routerモジュールを導入し、入力画像の場面タイプに応じて適応的にアーキテクチャパスを選択できる
実験では、様々な天候、道路、都市環境下でRAGが優れた性能を発揮し、より困難な cross-dataset 設定でも最先端手法を上回ることを示している。さらに、未知の場面への適応性も確認された。
สถิติ
晴れの場面のEPEは0.715、D1-allは1.70%
曇りの場面のEPEは0.601、D1-allは1.03%
雨の場面のEPEは0.620、D1-allは1.21%
霧の場面のEPEは0.612、D1-allは0.90%
คำพูด
"提案手法は、新しい場面を継続的に学習し、以前に学習した場面を忘れずに、推論時に連続的にディスパリティを予測することができる。"
"RAGは以前のユニットを再利用することで、高い再利用性を維持しつつ良好なパフォーマンスを得ることができる。"
"Scene Routerモジュールを導入し、入力画像の場面タイプに応じて適応的にアーキテクチャパスを選択できる。"