2018-9-12-论文笔记-Semi-Supervised Deep Learning for Monocular Depth Map Prediction

贡献

• 提出了一个半监督的深度估计算法：有监督loss + 无监督loss。

分析

• 激光雷达数据的问题：
  • 稀疏
  • 噪声的影响
  • 标定不准确的影响
• 有监督loss 和 无监督loss：
  • 使用激光雷达获取的稀疏的有效点做有监督loss训练。smooth_l1。
  • 使用其它的像素点构建无监督loss。通过左右图像 + warp一致构建loss。
  • 为了保证边缘的锐利度，根据边缘有构建了一个loss。

• 算法框架和无监督的双目算法基本一致，只是加了有监督loss，变成了半监督算法。
  

• 损失函数没有什么新意，在其他论文中都有出现。不管是有监督的smooth_l1，还是无监督loss。
• 评价准则也是常用的评价方法。
• ~除了半监督，没啥新奇的地方。~

资源

• 代码
• 论文笔记-深度估计(1)Depth Map Prediction from a Single Image using a Multi-Scale Deep Network
• 论文笔记-深度估计(2) Fully Convolutional Networks for Semantic Segmentation
• 论文笔记-深度估计(3)Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale…
• 论文笔记-深度估计(4) Semi-Supervised Deep Learning for Monocular Depth Map Prediction