(23.05.03)
Depth Estimation 논문 정리하기 3탄
- 논문 제목: Deeper Depth Prediction with Fully Convolutional Residual Networks (3DV 2016)
- https://arxiv.org/pdf/1606.00373v2.pdf
(https://arxiv.org/pdf/2003.06620.pdf survey에서 설명하는 내용)
depth maps와 single images들 간의 relation을 매핑하는 것을 학습하기 위해서 residual learning을 도입한 논문이다.
Summary
제안한 방식은 기존의 것보다 단순하지 않다. 그러나, 더 적은 data와 더 적은 time에 더 높은 퀄리티의 결과를 달성했다는 점에서 의미가 있다.
residual learning을 제안한 resnet을 활용하여 아키텍쳐를 구성하였고, 본 논문에서는 up-convolution, faster up-convolution을 사용하여 up-sampling을 대신하였다.
Abstract
본 논문은 single RGB image가 주어졌을 때 depth map을 추정하는 depth estimation에 대해 다룬다.
저자는 monocular images와 depth maps 간의 mapping을 예측하고자 residual learning을 사용하는 fully convolutional architecture를 제안한다.
output resolution을 향상시키기 위해서 feature map upsampling 방법또한 제시한다.
optimization에서는 reverse Huber loss를 제안하고, post-processing에 의존하지 않으며 end-to-end로 학습하는 single architecture를 제안한다.
더 적은 parameter와 더 적은 training data로 기존 sota보다 좋은 성능을 달성하였다.
Model Architecture
ResNet-50을 바탕으로 구성되어있다. pre-trained된 weight으로 초기화한다.
fully-connected layer를 대신해서 본논문에서 제안하는 up-sampling blocks가 들어가있다.
본 논문에서 제안한 것은 위 그림의 (c) up-projection과 (d) fast up-prejection이다.
Loss function
본 논문에서는 reverse Huber (berHu) 를 사용한다.
Experiments
