引导方法深度补全系列—基于SPN模型—4—《Penet:Towards precise and efficient image guided depth completion》文章细读

原创 已于 2022-09-13 00:02:54 修改 · 1k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #计算机视觉 #人工智能 #神经网络

于 2022-09-12 02:42:11 首次发布
本文介绍了一种深度学习网络，它采用双分支结构，结合CSPN++加速和几何卷积，用于高效预测密集深度图。创新点包括扩展卷积增强感受野和并行传播加速。网络通过自适应融合不同深度预测，提升精度。

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

创新点

1.双分支结构，并加速了CSPN++，此时使用这种方法为了精细融合后的深度图

文章概述

1.提出双分支结构

一个分支输入彩色图像和稀疏深度图以预测密集深度图。另一个分支将稀疏深度图和先前预测的深度图作为输入，并输出密集深度图。

2.

提出了一个简单的几何卷积层来编码三维几何线索

3.

进一步实现了扩展和加速

最低0.47元/天 解锁文章
论文笔记_S2D.74_2021_ICRA_PENet：面向精确和高效的图像引导的深度补全
惊鸿一博
11-02 1365
目录 基本情况 摘要 I. 引言 II. 相关工作 III. 方法 IV. 实验结果 V. 总结 参考 基本情况 出处：Hu M, Wang S, Li B, et al. Towards Precise and Efficient Image Guided Depth Completion[J]. arXiv e-prints, 2021: arXiv: 2103.00783. 单位： 浙江大学，College of Information Science and Electroni
3D目标识别|SFD|多模态|CVPR2022
jinseyanhuo的博客
09-19 1621
3D目标识别|SFD|多模态|CVPR2022
深度学习数据补全实战项目 emdc+penet+csdn
最新发布
weixin_33597080的博客
09-13 660
在实际数据处理中，缺失数据是常见问题，尤其在图像、文本和时间序列等模态中尤为突出。数据缺失类型主要包括完全随机缺失（MCAR）、随机缺失（MAR）和非随机缺失（MNAR），其对模型训练与推理造成不同程度的偏差。传统数据补全方法如插值、KNN、矩阵分解等虽具可解释性，但在复杂结构建模上存在局限。近年来，深度学习凭借其强大的非线性映射和上下文建模能力，在数据补全任务中展现出卓越性能，特别是在处理高维、非结构化数据方面优势明显。
论文阅读：CompletionFormer: Depth Completion with Convolutions andVision Transformers
qq_53086461的博客
06-16 1663
深度估计
【三维深度补全模型】PENet
叶子的博客
08-24 2122
三维深度补全模型PENet，含详细python源码解读。
PENet详解
qq_37053918的博客
09-06 1910
本文主要涉及《PENet: Towards Precise and Efficient Image Guided Depth Completion》论文解读和代码理解。
引导方法深度补全系列—基于SPN模型—5—《Dynamic spatial propagation network for depth completion》文章细读
CSPNNN的博客
09-12 1140
1.提出了动态空间传播网络，一种非线性传播模型，动态调整亲和力权重 *2.扩散抑制操作，防止迭代过拟合造成深度过于平滑
引导方法深度补全系列—基于SPN模型—1—《Depth estimation via affinity learned with convolutional spatial propagat》文章细读
CSPNNN的博客
09-12 858
文章贡献我们将所设计的CSPN应用于给定单个图像的两个深度估计任务：（1）优化现有最先进方法（SOTA）的深度输出；（2）通过在传播过程中嵌入深度样本，将稀疏深度样本转换为密集深度贴图。
引导方法深度补全系列—基于SPN模型—3—《Non-local spatial propagation network for depth completion》文章细读
CSPNNN的博客
09-12 1209
创新点 1.优快云使用固定局部邻域，固定的局部邻域通常具有不应与参考信息混合的无关信息，尤其是在深度边界上。NLSPN预测像素的非局部邻域. 2.预测初始密集深度的置信度纳入亲和度归一化，归一化是为了减少误差，加入置信度为了指导预测值
引导方法深度补全系列—基于SPN模型—2—《CSPN++: Learning Context and Resource Aware Convolutional Spatial Propagat》文章细
CSPNNN的博客
09-12 1369
创新点 1.引入其他参数预测（自适应卷积核大小，传播迭代次数）每个像素的适当配置来增强CSPN 2.加入了资源估计的触发器（可能检测一下设备的gpu），根据给定的设备调整参数，例如卷积核的大小
PENet深度补全神经网络 ——（五）：
weixin_44832383的博客
09-01 952
目录1、Pytorch中的 torch.cat() 函数：2、pytorch 中 unsqueeze() 函数理解：3、torch.full_like() 创造指定形状和值的矩阵 ：4、pytorch torch.where 用法：5、Pytorch中的转置卷积 nn.ConvTranspose2d：6、torch. nn.Softmax(dim=1)：7、Python isinstance() 函数：8、PIL 调整图像的亮度、对比度和饱和度等：9、torch.cuda.empty_cache()：Pyt
PENet_ICRA2021：ICRA 2021“迈向精确高效的图像引导深度完成”
03-03
PENet：精确高效的深度补全 此回购是我们论文的PyTorch实现，该论文出现在ICRA2021上的，由浙江大学的Mu Hu，王淑玲，李斌，宁世宇，李凡和上海。 为任何与代码相关的问题创建一个新问题。 有任何与纸张相关的问题，请随时通过指导我。 结果 提交时，建议的完整模型在在线排行榜中排名第一。 它比大多数排名靠前的方法要快得多。 ENet和PENet均可在2x11G GPU上进行全面培训。 我们的网络仅通过KITTI数据集进行训练，而不是在Cityscapes或其他类似的驾驶数据集（合成或真实）上进行预训练。 方法 坚强的两支主干 重温流行的两分支架构 两分支主干旨在充分利用各自分支中的以颜色为主和以深度为主的信息，并使两种方式有效融合。 注意，输入到深度主导分支的是从颜色主导分支获得的深度预测结果，而不是像和的指导图。 几何卷积层 为了对3D几何信息进行编码，它只是通过
利用cspn进行深度补全
weixin_42581003的博客
02-16 705
CSPN(Conditional Similarity Network)是一种用于深度补全的神经网络模型。它可以通过给出一些已知的深度信息，如深度图或点云，来预测未知区域的深度信息。 CSPN 的主要思想是通过计算相似性来进行深度预测。具体来说，它通过在已知深度值的点周围建立相似性函数来估计未知区域的深度。这个相似性函数考虑了已知点的位置和深度信息，以及未知点与已知点之间的距离和方向关系。通过优化...
CVPR2022|稀疏融合稠密：通过深度补全实现高质量的3D目标检测
3D视觉工坊
04-24 4971
作者丨花椒壳壳@知乎来源丨https://zhuanlan.zhihu.com/p/500409423编辑丨3D视觉工坊论文标题：Sparse Fuse Dense: Towards High Quality 3D Detection with Depth Completion作者单位：浙大等论文：https://arxiv.org/abs/2203.09780代码：暂未...
Depth-Completion-SoTA-总结
yitui7556的博客
09-29 1097
title: Depth Completion SoTA 总结 date: 2019-09-28 21:36:10 categories: Depth Completion tags: Depth Completion Research Review Depth Completion SoTA 主流方法总结 分两路计算置信度（对sparse_d进行优化、滤波，主要考虑到sparse...
CSPN：Learning Depth with Convolutional Spatial Propagation Network阅读笔记
weixin_42954710的博客
11-15 5626
一、先阅读总结 源代码：link https://github.com/XinJCheng/CSPN 这篇论文是当前时间段立体匹配KITTI2015数据集榜单第一名，阅读后记录下来方便以后自己查阅。 这篇论文是从两个方面做的：depth completion（下图的上面部分） and stereo matching（下图的下面部分）。 首先，depth completion（深度完成）是单目复原三...
#每天一篇论文 341/365 Learning Guided Convolutional Network for Dept Completion
流浪机器人的博客
03-07 1641
Learning Guided Convolutional Network for Dept Completion Code 摘要 稠密深度感知对于自动驾驶和其他机器人应用至关重要。然而，现代激光雷达传感器只能提供稀疏的深度测量。因此，有必要完成稀疏的激光雷达数据，其中经常使用同步制导RGB图像来促进这一完成。许多神经网络都是为这项任务而设计的。然而，它们通常通过执行特征拼接或元素级加法来融合Li...
Label-PEnet解读
WangKingJ的博客
02-23 1428
这篇论文是码隆科技发表在ICCV 2019的论文，这一研究致力于在仅仅给定图像级别标签的情况下精确地检测与分割物体实例。因为手工标注大量训练数据代价高昂，与监督学习、半监督学习等方式相比，它是更适用于现实应用的技术。与以前那些包含多个离线模块的方法不同的是，本篇论文提出了序列化标签传播与增强网络（缩写为 Label-PEnet）。Label-PEnet 基于一种由粗到细的方式，可以递进地将图像级别...
论文笔记_S2D.17-2018-ECCV-通过卷积空间传播网络（CSPN）的相似性学习进行深度估计
惊鸿一博
09-14 2138
基本情况 题目：Depth Estimation via Affinity Learned with Convolutional Spatial Propagation Network 通过卷积空间传播网络进行相似性学习进行深度估计 作者：Xinjing Cheng⋆, Peng Wang⋆ and Ruigang Yang Baidu Research, Baidu Inc. 引用：Cheng, X., Wang, P., & Yang, R..
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值