Rethinking Skip Connections in Encoder-decoder Networks for Monocular Depth Estimation

要約

スキップ接続は、エンコーダー/デコーダー ネットワークの基本単位であり、ニューラル ネットワークの機能の伝播を改善できます。
ただし、スキップ接続を使用するほとんどの方法は、エンコーダーとデコーダーで同じ解像度の機能を接続するだけであり、レイヤーが深くなるエンコーダーでの情報の損失を無視していました。
エンコーダーの浅いレイヤーでの機能の情報損失を活用するために、単眼深度推定タスク用のフル スキップ接続ネットワーク (FSCN) を提案します。
さらに、スキップ接続内の機能をより密接に融合するために、適応連結モジュール (ACM) を提示します。
さらに、FSCN の屋外および屋内データセット (つまり、KITTI データと NYU Depth V2 データセット) で広範な実験を行い、FSCN は最先端の結果を取得します。

要約(オリジナル)

Skip connections are fundamental units in encoder-decoder networks, which are able to improve the feature propagtion of the neural networks. However, most methods with skip connections just connected features with the same resolution in the encoder and the decoder, which ignored the information loss in the encoder with the layers going deeper. To leverage the information loss of the features in shallower layers of the encoder, we propose a full skip connection network (FSCN) for monocular depth estimation task. In addition, to fuse features within skip connections more closely, we present an adaptive concatenation module (ACM). Further more, we conduct extensive experiments on the ourdoor and indoor datasets (i.e., the KITTI dataste and the NYU Depth V2 dataset) for FSCN and FSCN gets the state-of-the-art results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google