单目图像深度估计的评价指标

最新推荐文章于 2025-03-17 19:12:50 发布

Borazw

最新推荐文章于 2025-03-17 19:12:50 发布

阅读量1w

点赞数 17

本文链接：https://blog.csdn.net/Borazxn/article/details/92786851

版权

这篇博客探讨了单目图像深度估计的常用评价指标，包括绝对相对误差、平方相对误差、均方根误差、对数均方根误差和精确度。这些指标用于量化算法的性能，其中误差越小、精确度越高表示效果越好。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

单目图像深度估计中定量评价指标采用大部分算法所使用的相对误差 (Relative Error, REL)、均方根误差 (Roor Mean Squared Error, RMS) 、对数误差 (Lg Error, LG), 以及精确度 (% correct)。通常误差越小越好，精确度越高越好。

1.绝对相对误差：

$AbsRel=\frac{1}{N}\sum_{i=1}^{N}\frac{|D_{i}-D_{i}^{*}|}{D_{i}^{*}}$

2.平方相对误差：
$SqRel=\frac{1}{N}\sum_{i=1}^{N}\frac{|D_{i}-D_{i}^{*}|^{2}}{D_{i}^{*}}$

3.均方根误差：
$RMS=\sqrt{\frac{1}{N}\sum_{i=1}^{N}|D_{i}-D_{i}^{*}|^{2}}$

4.对数均方根误差：

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Borazw

关注关注

17
点赞
踩
55

收藏

觉得还不错? 一键收藏
3
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

笔记：单目深度估计（MDE）与深度（DC）补全的联系和区别

2401_87064292的博客

09-02

375

对于典型深度网络和我们的方法，RMSE 和 MAE 指标几乎相同，但结构在深度补全中得到了明显的保留。混合深度或模糊深度图输出可能导致较低的 RMSE，并且在 MAE 中只会受到微弱的惩罚。当前的评估指标（RMSE 和 MAE）可能会误导人。

单目深度估计基础理论和论文学习总结

苹果姐计算机视觉原创知识分享

01-12

2689

深度估计基础论文总结

3 条评论您还未登录，请先登录后发表或查看评论

单目深度估计评估指标

aq531211903的博客

11-20

8027

KITTI Depth以及ScanNet评估指标指标名称表达式 abs rel. absolute relative error mae mean absolute error log mae mean absolute logarithmic error imae inverse mean absolu...

【科研】一目了然单目深度估计实验评价指标

MengYa_Dream的博客

02-20

4063

【科研】单目深度估计实验评价指标

MiDaS原理解析【单目深度估计】

最新发布

m0_73442527的博客

03-17

878

MiDaS 在多个不同的数据集上进行训练，以确保在不同场景下具有。MiDaS 主要经历了多个版本的迭代，目前最新版本（解码器负责将特征图（Feature Map）转换为。（背景模糊，类似 iPhone 的“人像模式”）开发，并在多个数据集上训练，以提高泛化能力。，通过深度学习推理出深度信息，适用于。预测场景的相对深度分布。补充：单目图像与双目图像的对比。（Decoder）两个部分。（需借助已知物体进行校准）（低光环境可能影响效果）（场景建模、背景虚化）（Encoder）和。（3D CT 重建）

单目深度估计的评价指标

SHS_JAVA的博客

04-19

9005

目前评价单目深度估计最常用的量化指标是绝对相对差（AbsRel）、均方根误差（RMSE）、RMSE（log）和相对误差（SqRel）。以下为各量化指标的计算公式。其中di是真实的深度信息，di* 为预测的深度值，在深度估计有有三个常用的阈值thr=1.25，1.252,1.253，在比较真实的深度di和预测的深度di*时，可以采用如下的方法。选取di/di* 和 di*/di两个之中的最大值，统计所有di中小于阈值thr的像素点所占总体像素点的白分比，越接近于1效果越好，所以阈值越大，即

单目深度估计评价指标及其含义说明

介绍AI领域相关知识

10-27

2269

在单目深度估计的任务中，评价模型性能的指标是衡量其准确性和可靠性的重要工具。在模型的训练过程中，没有单一的评估指标能够全面评价所有深度估计算法的性能，通常需要结合多个指标，根据具体的应用需求和场景来综合评价算法的好坏。本文将详细探讨几种常用的评估指标，包括AbsRel（绝对相对误差）、SqRel（平方相对误差）、RMSE（均方根误差）、RMSE Log（对数均方根误差）、Si-Log（尺度不变对数误差）和Accuracy with Threshold（准确率）等评价指标。

基于深度学习的深度估计或VO论文中的评价指标

03-20

基于深度学习的深度估计或vo中性能评估指标，rel、rmse、log10等

基于单目视觉深度估计的论文研究

RuiWell的博客

10-08

1067

单目视觉 From Big to Small: Multi-Scale Local Planar Guidance for Monocular Depth Estimation 作者:Jin Han Lee, Myung-Kyu Han, Dong Wook Ko and Il Hong Suh 摘要: 由于无限多的三维场景可以投影到同一个二维场景，因此从单个图像估计精确的深度是一个具有挑战性的问题。然而，近年来基于深卷积神经网络的研究显示，在取得可信结果方面取得了很大进展。网络通常由两部分组成：用于密集特

单目深度估计入门（1）

XinYuanIng的博客

05-05

4631

最近准备入门单目深度估计方向啦，做了一些小调研，希望在这里记录学习心得，能够帮助到需要帮助的人哈哈。深度图像/距离影像：深度图像也被称为距离影像，是指将从图像采集器到场景中各点的距离作为像素值的图像。也就是深度图中的每一个像素值表示场景中某一点与摄像机之间的距离。（ps：纠结了很久的一个点：深度图像和图像深度是完全不同的两个概念，图像深度是指像素深度中实际用于存储图像的灰度或色彩所需要的比特位...

深度学习模型评估性能指标（一文读懂）

liangjian990709的博客

10-17

1942

T/F：预测是正确的还是错误的P/N：预测结果是正例还是负例TP:正确正例，真实为正，预测为正FN:错误负例，预测错误，预测为正，真实为负FP:错误负例，预测错误，预测为正，实际是负TN:正确负例，预测正确，预测是负，真实为负。

深度学习常用评价指标（Accuracy、Recall、Precision、HR、F1 score、MAP、MRR、NDCG）——推荐系统

热门推荐

记录知识，学习分享

04-11

1万+

1、准确率(Accuracy) 定义：公式：优缺点： 2、精确率(Precision) 3、召回率(Recall) 4、命中率(Hits Ratio) 5、平均精度均值(Mean average precision) 6、平均倒数排名(Mean Reciprocal Rank) 7、归一化折损累计增益(Normalized Discounted Cumulative Gain) ...

目标检测 — 评价指标

dbsggal90047018的博客

05-22

3686

　　评价指标：　　准确率（Accuracy），混淆矩阵（Confusion Matrix），精确率（Precision），召回率（Recall），平均正确率（AP），mean Average Precision(mAP)，交除并（IoU），ROC + AUC，非极大值抑制（NMS）。 1、准确率（Accuracy）　　分对的样本数除以所有的样本数，即：准确（分类）率 =...

深度学习原理3——深度学习评价指标

xiaotiig的博客

12-26

6936

衡量一个模型的好坏，首先需要确定指标体系，目前常用的指标有如下几个： TP FP TN FN 准确率精度召回率 AP MAP IOU MIOU RP曲线：PR = Precision vs Recall 信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate)，召回率也叫查全率，准确率也叫查准率，概念公式 ...

计算机视觉基础（13）——深度估计

猪猪和超超的博客

12-25

1万+

本节是计算机视觉的最后一节，我们将学习深度估计。从深度的概念和度量入手，依次学习单目深度估计和双目/多目深度估计，需要知道深度估计的经典方法，掌握深度估计的评价标准，注意结合对极几何进行分析和思考。

论文阅读＋代码细节解释：Unsupervised Monocular Depth Estimation with Left-Right Consistency(CVPR 2017)

baidu_23388287的博客

04-13

2223

文献：《Unsupervised Monocular Depth Estimation with Left-Right Consistency》 http://openaccess.thecvf.com/content_cvpr_2017/papers/Godard_Unsupervised_Monocular_Depth_CVPR_2017_paper.pdf 基于深度学习的深度估计 基于监...

低成本测距方案—单目深度估计

qq_29462849的博客

09-22

3285

点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达文章导读导读：随着计算机视觉技术的不断发展，特别是自动驾驶等一些前沿的研究中，图像的深度信息至关重要。而单目测距得益于低成本的特性，...

单目深度估计(Monocular Depth Estimation)论文阅读 2021-01-15

duanzhaozhao的博客

01-15

7808

单目深度估计问题公式化：求非线性映射函数一、数据集： NYU Depth：视频序列和dense depth map通过RGB-D采集的，但是不是每一种图像都有深度图，因为映射是离散的。 KITTI：计算机视觉中最大的数据集包括光流、视觉里程、深度、目标检测、语义分割、跟踪，有一部分是有稀疏的深度图来自LIDAR sensor。 Make3D:有image-depth pairs 没有视频序列和stereoimages 适用于有监督任务和测试无监督网络。 Cityscapes:主要用于语义分.

摄像头单目深度估计python实现

02-03

### 单目摄像头深度估计的Python实现 #### 方法概述单目摄像头深度估计是指通过单一图像来推断场景中物体的距离。这一过程通常依赖于机器学习模型，尤其是卷积神经网络(CNN)，这些模型可以从大量带标注的数据集中学习到不同距离下物体外观的变化模式[^1]。 #### 数据准备为了训练用于深度估计的CNN模型，需要收集大量的成对数据——即同一场景下的彩色图片及其对应的深度图。公开可用的数据集如NYU Depth V2提供了这样的配对样本，可用于初步实验和验证算法的有效性[^2]。 #### 构建与训练模型可以采用预训练好的架构作为基础，例如ResNet或DenseNet，并在其上构建适合特定任务需求的部分。下面是一个简单的Keras/TensorFlow代码片段展示如何加载并修改现有模型： ```python from tensorflow.keras.applications import ResNet50 from tensorflow.keras.layers import Input, Dense, UpSampling2D from tensorflow.keras.models import Model input_tensor = Input(shape=(None, None, 3)) base_model = ResNet50(include_top=False, weights='imagenet', input_tensor=input_tensor) # 添加自定义层以适应回归问题 x = base_model.output predictions = Dense(1)(UpSampling2D(size=8)(x)) model = Model(inputs=base_model.input, outputs=predictions) ``` 此段代码创建了一个基于ResNet50的基础特征提取器，并附加了额外的全连接层来进行最终预测。注意这里使用`UpSampling2D`操作恢复原始输入尺寸以便逐像素输出深度值。 #### 测试与评估完成训练之后，应该在一个独立测试集上来检验所开发系统的性能。常用的评价指标包括平均绝对误差(MAE)、均方根误差(RMSE)以及结构相似度指数(SSIM)。对于想要深入了解该领域最新进展的研究人员来说，查阅最新的学术论文和技术报告是非常有帮助的；而对于开发者而言，则可以通过在线课程平台获取更多实践指导资源[^3]。