Scale- and shift-invariant losses

[Paper]|[研读]|[loss]

Scale and shift-invariant loss

---

目录

动机

损失函数

结果

---

动机：

• 已知：训练过程中，混合多个数据集，能够提高单眼深度估计的效果。
• 但是：数据集之间的不兼容性，如来源不同、未知和不一致的尺寸/基线。
  • 深度的本质不同表示：直接深度表示和逆深度表示。
  • 尺度模糊性：对于某些数据源，深度只被给予到一个未知的尺度。
  • 位移的模糊性：一些数据集只提供未知的尺度和全局视差移动，这是未知基线的函数和由于后处理引起的主点的水平位移的功能。
• 因此：泛化问题/鲁棒性问题。

损失函数：

• 在视差空间（逆深度到尺度和位移）中进行预测，以及一系列尺度和位移不变的密集损失。

 

结果：该损失函数

• 支持不同数据集参与训练；
• 量化各种现有数据集的单眼深度估计的值；
• 探索了训练过程中混合数据集的最佳策略。

补充：最小二乘算法

• 目的：寻找能够拟合真实数据分布的数学模型
• 定义：
  • 最小化误差的平方和，其中，误差=真实值-理论值；
  • 寻找数据的最佳函数匹配；
  • 从而能够根据最佳函数来预测新变量对应的数值。
• 公式：

后续学习：最小二乘法的原理理解__最小二乘法原理

你会看到这里吗？

你要是看着到这里，能帮到你就好啦，欢迎交流哇！