Introducing a Class-Aware Metric for Monocular Depth Estimation: An Automotive Perspective

要約

メートル単位の単眼奥行き推定モデルのレポートの精度が向上しているため、自動車分野からの関心が高まっています。
現在のモデルの評価では、安全性が重要なクラスや目に見えないクラスに関しても、モデルのパフォーマンスについてのより深い洞察は得られません。
この論文では、深さ推定モデルを評価するための新しいアプローチを紹介します。
私たちが提案するメトリクスは、クラスごとのコンポーネント、エッジとコーナーの画像特徴コンポーネント、およびグローバル一貫性保持コンポーネントの 3 つのコンポーネントを活用します。
クラスは、シーン内の距離と自動車アプリケーションの重要性にさらに重み付けされます。
評価では、古典的なメトリクスとの比較、クラスごとの分析、および重大な状況の検索を通じて、メトリクスの利点を示します。
結果は、私たちのメトリクスが安全性の重要な要件を満たしながら、モデルの結果についてより深い洞察を提供することを示しています。
コードと重みは次のリポジトリでリリースされます: https://github.com/leisemann/ca_mmde

要約(オリジナル)

The increasing accuracy reports of metric monocular depth estimation models lead to a growing interest from the automotive domain. Current model evaluations do not provide deeper insights into the models’ performance, also in relation to safety-critical or unseen classes. Within this paper, we present a novel approach for the evaluation of depth estimation models. Our proposed metric leverages three components, a class-wise component, an edge and corner image feature component, and a global consistency retaining component. Classes are further weighted on their distance in the scene and on criticality for automotive applications. In the evaluation, we present the benefits of our metric through comparison to classical metrics, class-wise analytics, and the retrieval of critical situations. The results show that our metric provides deeper insights into model results while fulfilling safety-critical requirements. We release the code and weights on the following repository: https://github.com/leisemann/ca_mmde

arxiv情報

提供元, 利用サービス

arxiv.jp, Google