论文阅读：AdaBins: Depth Estimation using Adaptive Bins-Toy模板网

这篇具有很好参考价值的文章主要介绍了论文阅读：AdaBins: Depth Estimation using Adaptive Bins。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Motivation

信息的全局处理会帮助提高整体深度估计。
提出的AdaBins预测的bin中心集中在较小的深度值附近，对于深度值范围更广的图像，分布广泛。
Fu et al. 发现将深度回归任务转化为分类任务可以提升效果，将深度范围分成固定数量的bins。本文则解决了原始方法的多个限制：
1. 计算根据输入场景的特征动态变化的自适应箱。
2. 分类方法导致深度值的离散化，导致视觉质量差，深度不连续明显,论文提出预测最终的深度值作为bin中心的线性组合。
3. 以高分辨率全局计算信息，而不是主要是在低分辨率的瓶颈部分。

adabins全局场景理解,论文阅读文章来源地址https://www.toymoban.com/news/detail-854281.html

AdaBins design

首先，我们采用一个适应性分箱策略把具体的深度区间 $D=(d_{min},d_{max})$ 分成N bins。
我们将最终深度预测为 bin 中心的线性组合，使模型能够估计平滑变化的深度值。
当在空间更高分辨率的张量上使用注意力时，可以获得更好的结果。因此采用了这样的结构: Encoder, Decoder, and finally attention。
由于内存限制，使用h=H/2,w=W/2的空间分辨率处理，最终的depth图像通过简单的bilinearly上采样到(H,W)。
AdaBins的第一个模块是miniViT.输出：1) 向量 b , 定义了它如何将深度区间D划分为输入图像。2）Range-Attention 图 $\mathcal{R}$ ，形状是 $\times w \times C$ , 包含了像素级深度计算信息。
Bin-widths: 使用MLP头和ReLU层输出N维(bin的数量)向量b’。最后通过Softmax归一化b‘。
$b_i = \frac{b'_i + \epsilon}{\sum^N_{j=1}(b'_j + \epsilon)}$
Range attention maps: Transformer中包含了更多的全局信息。来自转换器的output embedding (2,C+1)作用一组1x1的卷积核,并与解码器的特征卷积获得 $\mathcal{R}$ 。这相当于将pixel-wise 特征视为’keys’, transformer output embedding相当于’queries’。
Hybrid regression:
$\mathcal{R}$ 通过 1 × 1 卷积层获得 N 个通道，然后通过 Softmax。每个像素每个通道的数值作为这个bin的概率，每个depth-bin-centers可以算为：
$c(b_i) = d_(min) + (d_{max} - d_{min})(b_i/2 + \sum^{i+1}_{j=1}b_j)$
最后，对于每一个pixel, 最终的 $\tilde{d}$ 计算为线性组合 $c(b_i)$ ,
$\tilde{d}= \sum^N_{k=1}c(b_k)p_k$ 。

Loss function

Pixel-wise depth loss. 使用一个尺度不变损失 (SI) 的缩放版本:
$g_i = log \tilde{d}_i - log d_i$ 。
Bin-center density loss: 鼓励bin centers的分布与真实标签相同。我们将 bin 中心的集合表示为 c(b)，将地面实况图像中所有深度值的集合表示为 X，并使用双向倒角损失 [9] 作为正则化器：

Reference

[1]FU H, GONG M, WANG C, et al. Deep Ordinal Regression Network for Monocular Depth Estimation[C/OL]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT. 2018. http://dx.doi.org/10.1109/cvpr.2018.00214. DOI:10.1109/cvpr.2018.00214.

到了这里，关于论文阅读：AdaBins: Depth Estimation using Adaptive Bins的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！