Dense Depth Estimation in Monocular Endoscopy With Self-Supervised Learning Methods

最新推荐文章于 2023-03-29 16:49:45 发布
最新推荐文章于 2023-03-29 16:49:45 发布
阅读量373 收藏
点赞数
分类专栏： 算法+医学图像处理文献阅读解析
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/chongnannan/article/details/115281881
版权
本文介绍了使用自监督学习方法进行单目内窥镜Dense深度估计，通过暹罗网络和DenseNet，实现深度估计网络的训练。方法包括数据预处理、网络架构设计（如深度缩放层、流从深度层和深度扭曲层）、损失函数（稀疏流损失和深度一致性损失）以及实验结果，展示在不同患者和场景下的优秀泛化性能和精度。
摘要由CSDN通过智能技术生成

Dense Depth Estimation in Monocular Endoscopy With Self-Supervised Learning Methods

基于自监督的单目内窥镜Dense深度估计

Author： Xingtong Liu
约翰霍普金斯大学 Johns Hopkins University，计算机科学学院 Computer Science Department

Location：Citavi–202011-XingtongLiu

Q1– IEEE transactions on medical imaging

在这里插入图片描述

了解本专栏 订阅专栏 解锁全文 超级会员免费看
HelloWorld__来都来了
关注
专栏目录
订阅专栏
深度估计 DenseDepth 笔记
m_buddy的博客
05-30 1838
参考代码：DenseDepth 论文名称：High Quality Monocular Depth Estimation via Transfer Learning 1. 概述 导读：这篇文章是使用深度监督的方式进行训练的，文章使用在ImageNet上训练过的DenseNet-169作为编码器，之后使用shortcut链接和上采样模块（上采样操作+2个卷积层）作为解码器，从而构建一个U型的网络结构。在此基础上使用输入的深度GT作为回归目标，从而实现网络的训练。 在下图中可以将文章的方法与DRON方法（分
开源项目推介：单目内窥镜下的深度估计与自监督学习新突破
最新发布
gitblog_00098的博客
06-22 322
开源项目推介：单目内窥镜下的深度估计与自监督学习新突破 EndoscopyDepthEstimation-PytorchOfficial Repo for the paper "Dense Depth Estimation in Monocular Endoscopy with Self-supervised Learning Methods" (TMI)项目地址:https://gitcode...
论文阅读 2021 —— DnD: Dense Depth Estimation in Crowded Dynamic Indoor Scenes
小玺大大
08-17 503
论文阅读，在拥挤的动态室内场景下的稠密深度预测。 作者提出了一个方法来估计深度，相机在复杂且拥挤的室内环境中移动，比如一个百货商店 或一个地铁站。通过在一个动态场景中训练，算法能够预测整个场景中绝对尺度的深度信息，包括一个静态的背景和多个移动人群。因为从拥挤的室内环境中采集稠密深度图是困难的，因此作者设计了一个训练框架，这个框架不需要从深度传感器采集到的深度信息。作者提出的网络使用了RGB图像和由传统3D重建方法得到的稀疏深度。不显著跟踪非刚性移动的人群，作者使用了两个约束来处理深度。在包含复杂且拥挤场景数
三维视觉论文阅读：DenseDepth2019单目深度估计
Yan
12-10 1328
论文 High Quality Monocular Depth Estimation via Transfer Learning 摘要 本篇文章是一篇比较经典用Encoder-Decoder结构的网络，取得的效果也时很不错的。 网络结构 DenseDepth的encoder是DenseNet-169，decoder的上采用也没有用什么花里胡哨的方法，直接双线性插值。 损失函数 个人认为，本篇文章的损失函数是非常不错的。除常用的外，还添加了SSIM，直接让GT深度图和预测深度图相同（个人感觉这个受到了SfM
#每天一篇论文 265/365 Real-Time Dense Depth Estimation using Semantically-Guided LIDAR Data Propagation an
流浪机器人的博客
11-15 339
使用语义引导的雷达数据和运动双目相机的实时稠密相机重建 使用稀疏雷达数据和语义边界引导从图像序列估计稠密深度 Real-Time Dense Depth Estimation using Semantically-Guided LIDAR Data Propagation and Motion Stereo 摘要 本文提出了一种基于稀疏激光雷达点云和图像序列估计稠密深度图的方法。我们提出的方法依赖...
Self-supervised Learning of Motion Capture阅读笔记
qq_40045309的博客
05-04 1680
备注： 1.作者 Hsiao-Yu Fish Tung，Katerina Fragkiadaki 卡耐基梅隆大学 一、概述 1. abstract （1） 跟直接优化mesh and skeleton 的参数不一样的是，我们通过优化网络的权重来预测一个 monocular RGB video中的3D shape and skeleton 的配置； （2） 模型采用end-to-end ...
Self-Supervised Sparse-to-Dense:Self-Supervised Depth Completion from LiDAR and Monocular Camera
倚马古道
09-13 1589
进入研二，开始进行学术研究。在老师的指导下，对深度补全问题进行探索，在接下来的一段时间将会分享相关论文。 这篇文章将会分享Self-Supervised Sparse-to-Dense:Self-Supervised Depth Completion from LiDAR and Monocular Camera Abstract 深度补全主要面临的三个挑战：在稀疏深度输入中的不规则...
《PackNet：3D Packing for Self-Supervised Monocular Depth Estimation》论文笔记
m_buddy的博客
05-22 2150
参考代码：packnet-sfm 1. 概述 导读：这篇文章提出了一种自监督的深度估计方法，其使用视频序列与运动信息作为输入，用网络去估计深度信息/相机位姿，并用最小重构误差去约束整个训练的过程从而实现自监督。文章的创新点主要体现为：使用3D卷机作为深度编解码网络，在相机位姿的6d信息基础上对平移分量进行约束，提出了一个新的数据集DDAD（Dense Depth for Automated Driving）。 单目情况下的自监督深度估计问题一般是使用几个相邻的视频帧去相互映射，其中完成映射所需要的参数是
CVPR无监督/自监督学习(Un/Self-supervised Learning)方向论文学习（附摘要）
weixin_43570470的博客
03-29 2085
2021、2022年CVPR无监督/自监督学习(Un/Self-supervised Learning)论文整理（附摘要）
DenseDepth：通过转移学习进行高质量单眼深度估计
02-05
（ 和彼得·旺卡（ Peter Wonka） 官方Keras（TensorFlow）实现。 如果您对代码有任何疑问或需要更多帮助，请联系第一作者。 [更新]我们的最新方法具有更好的性能，可以在这里找到。 [更新]添加了以即时尝试该方法。 [更新]添加了实验TensorFlow 2.0实施。 [更新]添加了实验性PyTorch代码。 结果 奇蒂 纽约大学深度V2 要求 该代码已在装有NVIDIA Titan V和16GB + RAM且运行Windows 10或Ubuntu 16的计算机上使用Keras 2.2.4，Tensorflow 1.13，CUDA 10.0进行了测试。 其他
每天一篇论文 305/365 Real Time Dense Depth Estimation by Fusing Stereo with Sparse Depth Measurements
流浪机器人的博客
01-02 527
Real Time Dense Depth Estimation by Fusing Stereo with Sparse Depth Measurements 摘要 我们提出了一种深度估计方法，该方法将来自立体对的信息与来自激光雷达传感器或距离相机的稀疏距离测量相融合。这项工作的目标是利用两种传感器模式的互补优势，精确但稀疏的距离测量和模糊但密集的立体信息。结合各向异性扩散和半全局匹配的思想，有...
Live Tracking and Dense Reconstruction for Hand-held Monocular Endoscopy
03-12 219
Live Tracking and Dense Reconstruction for Hand-held Monocular Endoscopy 手持式单眼内窥镜的实时跟踪和密集重建 Authors: Nader Mahmoud1,2, Toby Collins1, Alexandre Hostettler1, Luc Soler1, Christophe Doignon2, J.M.M. Montiel3 机构: Institut de Recherche contre les Cancers de l’
论文详解——GeoNet：Unsupervised Learning of Dense Depth, Optical Flow and Camera Pose
LCJhust2012的博客
06-13 6470
DepthNet和PoseNet分别预测出深度图和相机姿态，由此可以计算出从目标帧到原帧的二位刚性流rigid flow再由计算得到的rigid flow，结合相机内参/深度图/相机的转移矩阵，warping 得到view synthesis I(s)~, 比较view synthesis与目标帧之间的图像重构误差，即为rigid warping loss。...
深度学习之DenseNet
u014296502的专栏
06-04 4317
本文假设你已经对DenseNet的网络结构有一定的认识，不需要进行详细的结构介绍，本文重心在与如何利用DenseNet做迁移学习，以及作者是如何训练得到令人惊讶的结果的。卷积网络目前发展分为两类，以inception为典型的并行结构与ResNet为典型的串行结构，作者以一个新颖的思路发明了一种新的网络结构，比其他经典网络参数更少，更容易收敛。超参数DenseNet的作者认为ResNet的恒等函数与...
【computer vision】Stereo Depth Estimation
Sengo的博客
03-26 1629
Introduction:Stereo Vision is a technique aimed at inferring depth from two or more cameras. Stereo matching is the process of taking two or more images and estimating a 3D model of the scene by findi...
双目估计方法_单目深度估计论文笔记（四）：同时学习几何和边缘
weixin_39639600的博客
11-23 234
边缘信息如何准确获取是深度估计领域要考虑的重要问题。CVPR18论文《LEGO: Learning Edge with Geometry all at Once by Watching Videos》，这篇论文有个“初代”版本，发在18AAAI上。基本思路还是无监督深度估计中利用单目视频视角合成，主要工作在于结合边缘信息，此外除了深度信息还加入了表面法线信息，作者在文中将这两项统称为几何信息。我们...
三维视觉论文实战：DenseDepth2019--网络结构及demo
Yan
01-19 1127
目的 本篇博客的主要目的是记录测试DenseDepth的demo的过程，包括“pytorch模型构建”和“keras模型参数转pytorch”两大部分，当然最后还有一个实验模块。 注明以下，本篇博客为啥要构建pytorch模型。原因很简单：一、我不会keras；二、希望通过构建新的模型来加深本人对DenseDepth的理解。 代码 本篇博客在撰写时，主要使用了两个代码，分别是原始代码，以及最终修改好的结果。 https://github.com/ialhashim/DenseDepth（keras模型）
dense contrastive learning for self-supervised visual pre-training
04-06
“密集对比学习自监督视觉预训练”是一种自监督学习方法，旨在通过对比度训练来提高视觉表征学习的效果。该方法通过训练网络来学习将相似的图片特征映射到一起，将不同的图片特征区分开来，从而使网络获得更好的视觉...
评论
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

打赏作者

HelloWorld__来都来了

来都来了 福寿双全

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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