论文笔记_S2D.01-2018-ICRA_Sparse-to-Dense:从稀疏深度样本+单一图像的深度预测

最新推荐文章于 2024-04-26 09:55:57 发布
最新推荐文章于 2024-04-26 09:55:57 发布
阅读量3.4k 收藏 18
点赞数 3
CC 4.0 BY-SA版权
分类专栏： SLAM 三维重建 深度学习 文章标签： 深度学习 自动驾驶 机器学习
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。
本文链接：https://blog.youkuaiyun.com/shyjhyp11/article/details/107815337
本文提出了一种深度回归网络，利用稀疏深度样本和RGB图像进行稠密深度预测，显著提高了深度预测的准确性和鲁棒性。在NYU-Depth-v2和KITTI数据集上，相较于仅使用RGB图像，添加少量深度样本可大幅降低预测误差。该方法适用于自动驾驶、SLAM和LiDAR超分辨率等应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

论文出处

摘要

I 介绍

II 相关工作

A 基于RGB的深度预测

B. 从稀疏样本进行深度重建

C. 传感器融合

III 方法

A. CNN架构

B.  深度采样

C. 数据扩充

D.损失函数

IV. 实验内容

A. NYU-Depth-v2数据集

B. KITTI里程表数据集

C. 误差指标

V. 实验结果

A.网路结构评估

B.与最新技术的比较

1）NYU-Depth-v2数据集

2）KITTI数据集

C.深度样本数

D.应用：视觉里程计特征的密集地图

E.应用：LiDAR超分辨率

VI. 结论

参考

论文出处

  • 题目： Sparse-to-Dense: Depth Prediction from Sparse Depth Samples and a Single Image
  • 出处： Mal F, Karaman S. Sparse-to-Dense: Depth Prediction from Sparse Depth Samples and a Single Image[C]. international conference on robotics and automation, 2018: 1-8.
  • 代码地址： https://github.com/fangchangma/sparse-to-dense
  • 视频展示：https://www.youtube.com/watch?v=vNIIT_M7x7Y

摘要

    &n

了解本专栏 订阅专栏 解锁全文 超级会员免费看
强化学习在图像分割中的应用
AI天才研究院
05-17 731
1. 背景介绍 1.1 图像分割的意义 图像分割是计算机视觉领域中的一个基础性问题，其目标是将图像分割成多个具有语义意义的区域。图像分割在许多领域都有着广泛的应用，例如： 医学影像分析: 分割器官、肿瘤等，辅助医生进行诊断和治疗。
【论文阅读】RLSegNet：基于强化学习的医学图像分割网络
最新发布
repetone的博客
10-15 2702
近年来，计算机辅助医学诊断成为一个流行的跨学科研究领域 [7]， [8]， [33]。在临床实践中，通常从多模态磁共振成像 （MRI） 图像中分割出脑肿瘤，以支持医生准确制定诊断和治疗计划。然而，手动分割脑肿瘤是一个非常复杂的过程，医生需要花费大量时间。此外，分割精度主要取决于医生的经验。为了解决这些问题，已经提出了许多主要基于 CNN 网络的深度学习方法，可以从多模态 MRI 图像中自动分割脑肿瘤。
CVPR 2020 | 利用强化学习进行交互式3D医学图像分割
小白学视觉
02-26 1792
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达本文转载自：机器之心如何提高交互式图像分割算法的效率？上海交大和华师大的研究者提出了一种基于多智能体深度强化学习的新型...
A Reinforcement Learning Framework for Medical Image Segmentation翻译
qq_41096807的博客
08-25 399
摘要 本文介绍了一种使用强化学习方案进行医学图像分割的新方法。 我们使用这个新颖的想法作为一种有效的方法来最佳地找到合适的局部阈值和结构元素值，并在超声图像中分割前列腺。 强化学习代理使用超声图像及其手动分割版本，并采取一些行动（即不同的阈值和结构元素值）来改变环境（分割图像的质量）。 为代理提供客观确定的标量强化信号。 代理使用这些客观的奖励/惩罚来探索/利用解决方案空间。 使用这种方式获得的值可以用作填充 Q 矩阵的宝贵知识。 强化学习代理也可以将这些知识用于类似的超声图像。 结果证明了在医学图像分割.
强化学习在图像分割上的新应用：协同分割
weixin_49708196的博客
04-25 8751
北京理工大学于2022年4月份发表的一篇用强化学习做协同分割任务的论文
深度补全 论文及代码汇总，持续更新中~~
不忘初心~
03-14 2922
depth completion
sparse-to-dense:ICRA 2018“稀疏密密麻麻
04-30
稀疏到密集 此存储库由麻省理工学院的 和进行了深度回归神经网络的训练和测试，以用于 。 一个视频演示。 此仓库提供了中该论文的原始实现。 版本可以在找到。 此仓库可用于培训和测试 基于RGB（或灰度图像）的深度预测 基于稀疏深度的深度预测 基于RGBd（即RGB和稀疏深度）的深度预测 内容 基准 引文 要求 请参阅安装说明以获取分步指南。 在装有CUDA GPU的计算机上安装Torch 。 安装cuDNN （v4或更高版本）和Torch cuDNN绑定 如果您已经同时安装了Torch和cuDNN，请更新软件包并安装依赖项。 luarocks install nn luarocks install cunn luarocks install cudnn luarocks install optnet 安装HDF5格式库。 预处理数据集中的文件为HDF5格式。 sudo apt
nnU-Net团队新作MedNeXt：新一代医学图像分割之王，刷新多项榜单记录！
阿木寺的博客
03-23 2986
点击下方卡片，关注“CVer”公众号AI/CV重磅干货，第一时间送达点击进入—>【医疗影像和Transformer】微信技术交流群转载自：CVHubTitle: MedNeXt: Transformer-driven Scaling of ConvNets for Medical Image SegmentationPaper: https://arxiv.org/abs/2303.0997...
【Sparse-to-Dense】《Sparse-to-Dense：Depth Prediction from Sparse Depth Samples and a Single Image》
bryant_meng
05-31 1259
ICRA-2018 文章目录1 Background and Motivation2 Related Work3 Advantages / Contributions4 Method5 Experiments5.1 Datasets5.2 RESULTS6 Conclusion（own） / Future work 1 Background and Motivation 深度感知和深度估计在 robotics, autonomous driving, augmented reality (AR) a.
交互式系列医学图像分割研究
03-05
交互式系列医学图像分割研究
探索高效图像处理：Sparse-to-Dense —— 一个神奇的图像恢复库
gitblog_00089的博客
04-26 352
探索高效图像处理：Sparse-to-Dense —— 一个神奇的图像恢复库 去发现同类优质开源项目:https://gitcode.com/ 在这个数字化的时代，图像处理技术在各个领域都有着广泛的应用，从社交媒体到医学成像，再到自动驾驶。今天，我们要介绍一个名为"Sparse-to-Dense"的开源项目，它是一个利用深度学习进行图像恢复的Python库，让你能够将稀疏的输入...
tf.sparse_to_dense（）函数理解
qq_36411093的博客
12-29 1万+
今天看代码的时候看到一个陌生的函tf.sparse_to_dense(），看了很多博客感觉都没有解释到点子上，看了函数才有了一点理解，记录如下： import tensorflow as tf import numpy indices = tf.reshape(tf.range(0, 10 ,1), [10, 1]) labels=tf.expand_dims(tf.constant([0,2,3...
sparse_to_dense（）和sparse_tensor_to_dense（）的用法
热门推荐
liguandong
01-20 1万+
Sparsetensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4]) dense tensor: [[1, 0, 0, 0] [0, 0, 2, 0] [0, 0, 0, 0]] tensorflow 使用三个dense tensor来表达一个sparse tensor：indices、value、dense_...
tf.sparse_to_dense用途
ronghwa_lu
10-18 603
tf.sparse_to_dense ( sparse_indices , #sparse_indices[i] 包含完整索引,这是 sparse_values[i] 将放置的位置. output_shape , sparse_values , #如果是标量,则所有稀疏索引都设置为该单个值. default_value = 0 , #所有其他值的 dense 都设置为 default_value. validate_indices = True , #如果为 Tr
深度补偿模型sparse-to-dense测试
qq_20373723的博客
09-12 1586
稀疏深度图补偿
单目图像和稀疏雷达数据深度估计
3D视觉工坊
11-12 1999
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达标题：Depth Estimation from Monocular Images and Sparse Radar Data作者:...
使用tf.sparse_to_dense()时遇到的is out of order报错
ziliwangmoe的博客
07-31 1849
import tensorflow as tf indices=tf.constant([[1,3],[1,2],[4,2]]) dense=tf.sparse_to_dense(indices,[10,10], sparse_values=[1,2,3]) with tf.Session() as sess: print(sess.run(dense)) 问题现象：运行上面程序，报i...
《强化学习周刊》第20期：CVPR-2021&2020强化学习的最新研究与应用
BAAIBeijing的博客
09-12 1605
No.20智源社区强化学习组强化学习研究观点资源活动关于周刊强化学习作为人工智能领域研究热点之一，其研究进展与成果也引发了众多关注。并且诸多研究成果发表于CVPR-2021&20...
CVPR 2020 论文大盘点-医学影像处理识别篇
OpenCV中文网
07-11 4432
医学影像处理识别是计算机视觉的重要方向，尽管CVPR 不是专门的医学领域学术会议，但仍有不少相关工作，CVPR 2020 中尤以医学影像分割为最。本文盘点相关论文，总计 19 篇，其中：...
深度学习在深度预测中的应用：基于稀疏数据训练
标题：“sparse-to-dense:ICRA 2018 稀疏密密麻麻”描述了麻省理工学院研究人员利用深度学习技术在计算机视觉领域取得的一个进展，具体是在深度图像预测方面。在这一工作中，研究者们致力于将稀疏的深度信息转换成...
评论
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

打赏作者

惊鸿一博

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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