On Monocular Depth Estimation and Uncertainty Quantification using Classification Approaches for Regression

要約

単眼深度は、3D再構築や自動運転などの多くのタスクで重要です。
ディープラーニングベースのモデルは、この分野で最先端のパフォーマンスを実現します。
単眼深度を推定するための一連の新しいアプローチは、回帰タスクを分類タスクに変換することで構成されます。
ただし、コミュニティでの回帰の分類アプローチ（CAR）の詳細な説明と比較が不足しており、不確実性の推定の可能性について詳細に調査されていません。
この目的のために、このペーパーでは、CARアプローチの分類法と要約、CARの新しい不確実性推定ソリューション、およびKITTIデータセット上のCARベースのモデルの深度精度と不確実性の定量化に関する一連の実験を紹介します。
実験は、2つのバックボーンでのさまざまなCARメソッドの移植性の違いを反映しています。
一方、不確実性推定のために新しく提案された方法は、1つの順伝播のみでアンサンブル法よりも優れたパフォーマンスを発揮します。

要約(オリジナル)

Monocular depth is important in many tasks, such as 3D reconstruction and autonomous driving. Deep learning based models achieve state-of-the-art performance in this field. A set of novel approaches for estimating monocular depth consists of transforming the regression task into a classification one. However, there is a lack of detailed descriptions and comparisons for Classification Approaches for Regression (CAR) in the community and no in-depth exploration of their potential for uncertainty estimation. To this end, this paper will introduce a taxonomy and summary of CAR approaches, a new uncertainty estimation solution for CAR, and a set of experiments on depth accuracy and uncertainty quantification for CAR-based models on KITTI dataset. The experiments reflect the differences in the portability of various CAR methods on two backbones. Meanwhile, the newly proposed method for uncertainty estimation can outperform the ensembling method with only one forward propagation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google