Gradient-based Uncertainty for Monocular Depth Estimation

要約

単眼での奥行き推定では、移動物体や反射物のような画像状況の乱れにより、容易に誤った予測を導くことができる。そのため、特に自動運転などのセーフティクリティカルなアプリケーションでは、各ピクセルに対する不確かさ推定が必要である。我々は、ディープニューラルネットワークで表される、既に訓練され、したがって固定された深度推定モデルに対するポストホックの不確実性推定アプローチを提案する。不確実性は、補助的な損失関数で抽出される勾配を用いて推定される。損失定義のための真実の情報に依存することを避けるために、我々は、ある画像の深度予測とその水平方向に反転した対応する画像の対応関係に基づく補助損失関数を提示する。本手法は、KITTIおよびNYU Depth V2ベンチマークにおいて、ニューラルネットワークを再トレーニングすることなく、最先端の不確かさ推定結果を達成する。モデルとコードは、https://github.com/jhornauer/GrUMoDepth で公開されています。

要約(オリジナル)

In monocular depth estimation, disturbances in the image context, like moving objects or reflecting materials, can easily lead to erroneous predictions. For that reason, uncertainty estimates for each pixel are necessary, in particular for safety-critical applications such as automated driving. We propose a post hoc uncertainty estimation approach for an already trained and thus fixed depth estimation model, represented by a deep neural network. The uncertainty is estimated with the gradients which are extracted with an auxiliary loss function. To avoid relying on ground-truth information for the loss definition, we present an auxiliary loss function based on the correspondence of the depth prediction for an image and its horizontally flipped counterpart. Our approach achieves state-of-the-art uncertainty estimation results on the KITTI and NYU Depth V2 benchmarks without the need to retrain the neural network. Models and code are publicly available at https://github.com/jhornauer/GrUMoDepth.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL