Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation

要約

トレーニング済みモデルの信頼性を効果的に測定およびモデル化することは、単眼深度推定 (MDE) モデルを現実世界に展開するために不可欠です。
ただし、MDE の本質的な不良姿勢と序数に敏感な性質により、トレーニングされたモデルの不確実性の程度の推定に大きな課題が生じます。
一方で、現在の不確実性モデリング手法を利用するとメモリ消費量が増加する可能性があり、通常は時間がかかります。
一方で、不確実性の信頼性と予測精度がうまく分離されていない場合、モデルの精度に基づいて不確実性を測定することにも問題が生じる可能性があります。
この論文では、深度確率ボリュームとその拡張に由来する固有の確率分布の観点から MDE モデルの不確実性をモデル化し、より包括的な指標を使用してより公平に評価することを提案します。
追加のトレーニング正則化項を導入するだけで、私たちのモデルは驚くほど単純な構成で、追加のモジュールや複数の推論を必要とせず、最先端の信頼性を備えた不確実性推定を提供でき、アンサンブルまたはサンプリング手法と組み合わせることでさらに改善できます。
。
一連の実験により、私たちの方法の有効性が実証されました。

要約(オリジナル)

Effectively measuring and modeling the reliability of a trained model is essential to the real-world deployment of monocular depth estimation (MDE) models. However, the intrinsic ill-posedness and ordinal-sensitive nature of MDE pose major challenges to the estimation of uncertainty degree of the trained models. On the one hand, utilizing current uncertainty modeling methods may increase memory consumption and are usually time-consuming. On the other hand, measuring the uncertainty based on model accuracy can also be problematic, where uncertainty reliability and prediction accuracy are not well decoupled. In this paper, we propose to model the uncertainty of MDE models from the perspective of the inherent probability distributions originating from the depth probability volume and its extensions, and to assess it more fairly with more comprehensive metrics. By simply introducing additional training regularization terms, our model, with surprisingly simple formations and without requiring extra modules or multiple inferences, can provide uncertainty estimations with state-of-the-art reliability, and can be further improved when combined with ensemble or sampling methods. A series of experiments demonstrate the effectiveness of our methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google