单目深度估计论文(2）— Predicting depth, surface normals and semantic labels with a common multi-s (ICCV 2015)

最新推荐文章于 2024-03-30 16:10:17 发布
原创 最新推荐文章于 2024-03-30 16:10:17 发布 · 349 阅读 · 0 ·
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 #机器学习 #计算机视觉

第二篇利用CNN进行单目深度估计的论文(有监督)
[1] Eigen D, Fergus R. Predicting depth, surface normals and semantic labels with a common multi-scale convolutional architecture[C]. Proceedings of the IEEE international conference on computer vision. 2015: 2650-2658.
在这里插入图片描述

论文笔记_S2D.33_2015-ICCV_使用单个多尺度卷积网络，预测深度、表面法线和语义标签
惊鸿一博
10-26 713
目录 基本情况 摘要 1 介绍 2 Related work 3 Model Architecture 4 Task 4.3 Semantic Labels 5 Training 5.1 Training procedure 5.2 Data Augmentation 基本情况 题目：Predicting depth, surface normals and semantic labels with a common multi-scale convolutional archite
Depth Map Prediction from a Single Image using a Multi-Scale Deep Network (2014 NIPS)
weixin_40311211的博客
07-20 536
主要思想：使用神经网络对深度进行学习。一个粗尺度网络首先在全局上对场景深度进行预测。然后通过使用细尺度网络进行局部区域的优化。 缺点：早期直接用深度网络估计深度，只有卷积层，池化层，和全连接层最后得到的深度图分辨率太小         Coarse 网络是一个经典的AlexNet(NIPS 2012)结构，任务是使用场景的全局视角来预测整体深度图结构。网络的上几层是全连接层，因此可以包括...
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Archit
网瘾少年康复中心
09-22 1303
空闲期，看看论文 代码开源：http://cs.nyu.edu/~deigen/dnl/ 摘要中说，这篇文章是一石三鸟，深度预测，表面估计和语义分析。。。亮点可能就是多尺度了，本来以为要利用语义信息去预测深度。结果并没有。 网络结构 这个算法结构比较有意思，首先根据整张图片进行粗提取一个全局的输出预测，整个结构是取自于[8]，不过创新就是1，更深了，2，又加了一个尺度，输出尺寸是输
2.predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Conv Architecture
乘风的博客
11-23 478
redicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture 论文在这儿 大体思想 这篇论文是上一篇论文的改进。使用单个多尺度卷积网络架构处理三种不同的计算机视觉任务：深度预测、表面法线估计和语义标记。网络结构一共包含三个stage的网络，scale...
Predicting Depth,Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Archite
TheWaySoFar
04-13 2197
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture 主要贡献: 使用multi scale训练, 每一阶段的输入都是累加上一阶段的输出和原图像的一层卷积下采样. 第一阶段和第二阶段联合训练(感觉就是可以把第一阶段和第二阶段联合在一起...
论文笔记：Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional
upup
06-06 1196
一、基本信息 标题：Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture 时间：2015 出版源：IEEE 论文领域：单目深度估计、深度学习、语义分割、CNN 引用格式：Eigen D, Fergus R. Predicting depth, surface normals and semantic labels with a common mult
单目深度估计基础理论和论文学习总结
苹果姐计算机视觉原创知识分享
01-12 2743
深度估计基础论文总结
语义分割-ICCV2017 Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks循环一致对抗网
ssshyeong的博客
03-06 4532
我们提出了一种学习在没有成对例子的情况下将图像从源域X转换为目标域Y的方法。我们的目标是学习一种映射G: X→Y，使G(X)的图像分布与使用对抗性损失的分布Y难以区分。我们将它与一个逆映射F: Y→X耦合，并引入一个循环一致性损失来强制F (G(X))≈X(反之亦然)。在不存在配对训练数据的几个任务上给出了定性结果.
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale... 论文笔记
qq_39546227的博客
10-29 820
1. 论文介绍 本文作者设计了一种通用的多尺度网络，仅需要通过少量的修改就能适用于三个不同的计算机视觉任务：深度估计，表面法向量估计，语义分割。给定输入图片，网络能够直接回归出输出图，如深度图、法向量图、分类图。网络结构在之前工作上加以改进，堆叠了 3 层卷积神经网络，从低分辨率逐渐升到高分辨率，进一步改善了图像细节。测试中，网络的输出是实时的，达到了 30Hz 左右，同时生成的结果在三项任务中都...
论文笔记-深度估计(3)Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale...
一只飞鱼的博客
12-29 4330
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture 这篇文章是eigen 2015年的新文章，基于同样的模型，同样的初始化和大概相同的参数，可以用来得到深度，表面法向量或语义标签。1.网络介绍它的Pipeline如图: 三个stage的网
[paper] 00040-Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale
六半
10-29 435
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture Paper: Author: David Eigen: Dept. of Computer Science, Courant Institute, New York Unive...
单目深度估计论文(1）— Depth Map Prediction from a Single Image using a Multi-Scale Deep Network (NIPS 2014)
smallEngineer的博客
05-02 590
第一篇利用CNN进行单目深度估计的论文(有监督) [1] Eigen D, Puhrsch C, Fergus R. Depth map prediction from a single image using a multi-scale deep network[J]. Advances in neural information processing systems, 2014, 27.
单目深度估计论文阅读—《Deep Learning-Based Monocular Depth Estimation Methods—A State-of-the-Art Review》
weixin_45643547的博客
05-27 2170
单目深度估计论文阅读—《Deep Learning-Based Monocular Depth Estimation Methods—A State-of-the-Art Review》作为一个深度学习单目深度估计方向的小白，这是阅读的第一篇关于这方面的文章，写个文章记录一下学习过程，文章是英文的，记录一下文章大致内容1.摘要2.概述单目深度估计2.1解决方法2.3深度估计的主要数据集3.深度学习与单目深度估计3.1有监督方法3.2无监督方法3.3半监督方法4.评估标准5.讨论5.1基于性能的比较分析5.2
【论文】单目深度估计：Unsupervised Monocular Depth Estimation with Left-Right Consistency
yuanCruise
06-01 4660
Unsupervised Monocular Depth Estimation with Left-Right Consistency 摘要 不像之前的有监督的方法一样，利用深度图作为标签（GT），本文的方法用容易得到的双目图来训练。利用epipolar geometry constraints。我们通过训练我们的网络来产生视差图像，使其具有图像重建的损失。结果表明，仅对图像重建进行求解就...
单目深度估计论文(6）— Unsupervised learning of depth and ego-motion from video (CVPR 2017)
smallEngineer的博客
05-02 861
利用视频进行无监督单目深度估计 [1] Zhou T, Brown M, Snavely N, et al. Unsupervised learning of depth and ego-motion from video[C]. Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1851-1858.
基于单目视觉深度估计的论文研究
RuiWell的博客
10-08 1157
单目视觉 From Big to Small: Multi-Scale Local Planar Guidance for Monocular Depth Estimation 作者:Jin Han Lee, Myung-Kyu Han, Dong Wook Ko and Il Hong Suh 摘要: 由于无限多的三维场景可以投影到同一个二维场景，因此从单个图像估计精确的深度是一个具有挑战性的问题。然而，近年来基于深卷积神经网络的研究显示，在取得可信结果方面取得了很大进展。网络通常由两部分组成：用于密集特
单目深度估计---Depth Anything论文详解
最新发布
qq_44799766的博客
03-30 2万+
论文题目：Depth Anything: Unleashing the Power of Large-Scale—— 任何深度：释放大规模无标记数据的力量（注意论文名字，因为后续的很多工作都是在未标注数据上做的。作者认为Depth Anything是一种用于稳健单目深度估计的非常实用的解决方案。在不追求新颖的技术模块的情况下，作者目标建立一个简单而强大的基础模型（而且是Zero-shot）。为此，作者通过设计一个数据引擎来收集并自动标注大规模未标记数据（∼62M），从而扩大数据覆盖范围，来能够减少泛化误差。
[深度学习论文笔记][Depth Estimation] Predicting Depth, Surface Normals and Semantic Labels with a Common M
Hao_Zhang_Vision的博客
10-18 2405
Eigen, David, and Rob Fergus. “Predicting depth, surface normals and semantic labels with a common multi-scale convolutional architecture.” Proceedings of the IEEE International Conference on Computer
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
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