【CVPR 2020】论文解读 Uncertainty-Aware CNNs for Depth Completion: Uncertainty from Beginning to End
论文地址:CVPR 2020
代码地址:https://github.com/abdo-eldesokey/pncnn
1. 摘要
近年来,深度学习研究的重点主要集中在提高预测精度。然而,这往往是以增加复杂性为代价的,从而引发了关于深度网络可解释性和可靠性的担忧。最近,人们越来越关注解开深度网络的复杂性并量化其在不同计算机视觉任务中的不确定性。然而,深度补全任务并未受到足够的关注,尽管深度传感器本身具有固有的噪声特性。在本研究中,我们从稀疏且噪声的输入开始,一直到最终预测,专注于深度数据的不确定性建模。
我们提出了一种新颖的方法,通过基于归一化卷积神经网络(NCNN)的自监督学习方式,学习输入置信度估计器来识别输入中的干扰测量值。此外,我们提出了一种概率版的NCNN,它能够为最终预测产生统计意义上的不确定性度量。我们