单目深度估计的评价指标

最新推荐文章于 2025-02-21 15:45:32 发布
最新推荐文章于 2025-02-21 15:45:32 发布
阅读量9.1k 收藏 52
点赞数 12
分类专栏： 无监督单目深度估计
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/SHS_JAVA/article/details/115868202
版权

  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。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
  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。在这里插入图片描述
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，即阈值为1.253所得到的结果要比阈值为1.25的结果要好。

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
09-02 391
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。
基于单目视觉深度估计的论文研究
RuiWell的博客
10-08 1102
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
单目深度估计评价指标及其含义说明
介绍AI领域相关知识
10-27 2696
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。
单目图像深度估计的评价指标
Borazxn的博客
06-18 1万+
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： 2.平方相对误差： 3.均方根误差： ...
【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 4195
【科研】单目深度估计实验评价指标
单目深度估计评估指标
aq531211903的博客
11-20 8068
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...
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
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 2699
深度估计基础论文总结
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。
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 3735
　　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 =...
深度学习常用参数&评估指标详细汇总
最新发布
bkirito的博客
02-21 4371
对深度学习中常用的一些训练参数和评估指标和相应的原理进行简单梳理与汇总
深度学习模型评估性能指标（一文读懂）
liangjian990709的博客
10-17 1989
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。
一文带你读懂深度估计算法
ljx123_的博客
11-20 9106
深度估计算法调研 1.常见的深度估计算法 寻找RGB图像与深度图之间存在着的某种映射关系 1）几种常见算法： **① 基于几何的方法：**从一系列二维图像序列中估计三维结构，SfM，稀疏特征的深度由SfM通过图像序列之间的特征对应和几何约束来计算。存在单目尺度模糊的问题，依赖于高精确的图像匹配或高质量的图像序列。 **② 基于传感器的方法：**利用深度传感器，可以直接获得相应图像的深度信息，测量范围有限，常见Kinect的有效测距范围仅为0.8m～4m。 **③ 基于深度学习的方法：**CNN RNN VA
单目深度估计
sinoai
07-16 3875
单目深度估计1. 效果评估2. 参考 1. 效果评估 2. 参考 monodepth 中的效果估计
欢迎入坑单目深度估计
Hu_Linson的博客
10-19 5799
深度估计入门
深度估计（一）
qq_41769706的博客
12-21 2615
深度估计学习笔记
单目深度估计指标：SILog, SqRel, AbsRel, RMSE, RMSE（log）
qq_34923437的博客
10-13 1万+
待补充MAE，iRMSE 论文中常用：错误率及精度指标 解释： 出处：2014 @ Depth map prediction from a single image using a multi-scale deep network 修正的精度指标δ： 出处：2020@ BANet】Bidirectional Attention Network for Monocular Depth Estimation 尺度无关的误差评价指标: SILog（Scale-Invar...
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]。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值