CVPR单目深度估计竞赛结果出炉，腾讯光影研究室优势夺冠，成果落地应用

最新推荐文章于 2024-08-20 11:20:35 发布
最新推荐文章于 2024-08-20 11:20:35 发布
阅读量410 收藏 1
点赞数
文章标签： 算法 腾讯 人工智能 计算机视觉 编程语言


计算机视觉研究院专栏

作者：Edison_G

MAI（Mobile AI Workshop）是由 CVPR 主办的 Workshop 竞赛。MAI 2021 挑战赛赛已于 2021 年 2 月至 4 月线上举行。近期，MAI 2021 公布了各项挑战赛的最终结果，腾讯光影研究室的 Tencent GYLab 团队在单目深度估计项目上以绝对优势获得冠军。

长按扫描二维码关注我们

转自机器之心

竞赛结果及相关论文可见：https://arxiv.org/pdf/2105.08630.pd

算法技术方案


备注：以上精度指标 si-RMSE 在自己划分的 trainval 测试集上得到。

成果落地应用

© THE END 

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

扫码关注

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

计算机视觉研究院
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
论文笔记_S2D.71_2020_CVPR_用于自监督单目深度估计的3D packing
惊鸿一博
07-30 413
基本情况 出处：Guizilini, V., Ambrus, R., Pillai, S., Raventos, A., & Gaidon, A. (2020). 3d packing for self-supervised monocular depth estimation. InProceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(pp. 2485-2494). Video: ..
单目深度估计综述
WX_Chen的博客
09-13 1682
综述 monoDepth(2017,Godard) 受DispNet的启发(DispNet受FlowNet的启发。FlowNet参考了全卷积网络FCN，没有全连接层) 自此以后的深度估计大都基于DispNet。 SfMLearner(2017,Zhou) 使用的是DispNet网络架构，这是一个带跳跃连接(skip connections)和多尺度边(multi-scale side)预测的编码器-解码器网络，后来的深度估计工作基本都采用这样的结构。DispNet预测的是视差，而视差和深度互为倒数，因此
使用Transformer来做物体检测
AI公园
04-20 3119
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”因公众号更改了推送规则，记得读完点“在看”~下次AI公园的新文章就能及时出现在您的订阅列表中作者：Jacob Briones编译：...
超详细！！！一文搞定！单目深度估计MiDas思想Towards Robust Monocular Depth Estimation: Mixing Datasets for Zero-Shot
m0_58969377的博客
06-16 3483
文献的核心内容主要集中在通过混合多数据集来实现单目深度估计模型的稳健性和泛化能力，解决了单一数据集训练带来的局限性。该研究在理论创新和实验验证上都取得了显著成果，为单目深度估计领域提供了新的思路和方法。
计算机视觉实习生，腾讯光影研究院面经
mian199614的博客
04-07 956
已跪，记录下面经吧。 先是自我介绍，然后介绍下自己的项目，因为项目做得少 ，所以基本都在说我目前做得科研项目，因为疫情在家呆着没怎么开始研究，所以有些东西忘了，面试前也没整理，导致讲的有点七零八碎。大概讲了十几分钟吧，感觉自己讲的很不好，所以大家一定要把自己的项目和科研经历做个总结，不要讲的时候没有条理性。 因为光影研究院做的是图像处理，所以问题都偏向图像处理。 1：现有两张风格不同的图片A...
2019CVPR单目深度估计综述
qq_42902868的博客
09-27 6727
2019CVPR单目深度估计综述Recurrent MVSNet for High-resolution Multi-view Stereo Depth InferenceGeometry-Aware Symmetric Domain Adaptation for Monocular DepthEstimatioCAM-Convs: Camera-Aware Multi-Scale Convolu...
利用 Transformer 进行端到端的多目标检测及跟踪（附源代码）
机器学习社区
01-12 1388
现存的用检测跟踪的方法采用简单的heuristics，如空间或外观相似性。这些方法，尽管其共性，但过于简单，不足以建模复杂的变化，如通过遮挡跟踪。01摘要多目标跟踪(MOT)任务的关键挑战是跟踪目标下的时间建模。现存的用检测跟踪的方法采用简单的heuristics，如空间或外观相似性。这些方法，尽管其共性，但过于简单，不足以建模复杂的变化，如通过遮挡跟踪。所以现有的方法缺乏从数据中学习时间变化的能力。在今天分享中，研究者提出了第一个完全端到端多目标跟踪框架MOTR。它学习了模拟目标的长距离时间变化。它隐式地
[算法整理]可能是最全的无监督/自监督单目深度估计方法汇总 - Part2:双目图像篇
weixin_41625823的博客
06-21 5071
[算法整理] 可能是最全的自监督/无监督单目深度估计方法汇总 - Part1:双目图像篇
[算法整理]可能是最全的无监督/自监督单目深度估计方法汇总 - Part1:视频序列篇
weixin_41625823的博客
04-16 5768
[算法整理]可能是最全的自监督/无监督单目深度估计方法汇总 - Part1:视频序列篇 背景。比较细致地整理了一下之前看过的自监督单目深度估计相关的论文。论文列表持续更新中。
单目深度估计(Monocular Depth Estimation)论文阅读 2021-01-15
duanzhaozhao的博客
01-15 7497
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.
mono-uncertainty:CVPR 2020-关于自我监督式单眼深度估计的不确定性
05-04
关于不确定性自监督单眼深度估计 演示代码“关于自监督单眼深度估计的不确定性”， ， ， 和 ，CVPR 2020。 目前，我们不打算发布培训代码。 - - 引文 @inproceedings{Poggi_CVPR_2020, title = {On the ...
transformer在目标检测中的使用
qq_36136196的博客
05-24 898
Transformer self-attention attention中q,k,v的含义 就拿翻译举例子，q,k,v都是一个个的单词。（这里边需要对每个单词进行embedding）。每个单词都需要考虑其他的单词，q,k就是计算两个单词的相似性的。 q是query的简写，k是key的简写，v是value的简写。 q就是一个向量的搜索，k就是被搜索的向量。特征图中有哪些k向量与q的相似性是高的，q、v进行点积得到α（attention score）。v就是得到的分数会偏向于分数大的那个向量。 v就是对att
计算机视觉算法——基于Transformer的目标检测（Efficient DETR / Anchor DETR / Conditional DETR / DAB DETR）
weixin_44580210的博客
10-29 1万+
可以看到，代码上的修改并不大，相对于Conditional DETR主要是Cross Attention的过程中加入了长宽对Position Similarity的影响，并在Cross Attention的输出中对Anchor Box的四个参数进行显示的修正。DAB DETR是在Conditional DETR的基础上进行改进的，因此上文在Conditional DETR中介绍的Content Query和Spatial Query在DAB DETR中也是适用的，我们对其中不同的通路打上不同的颜色，其中。
计算机视觉算法——基于Transformer的目标检测（DETR / Deformable DETR / Dynamic DETR / DETR 3D）
热门推荐
weixin_44580210的博客
08-07 1万+
DETR是DEtection TRansformer的缩写，该方法发表于2020年ECCV，原论文名为《End-to-End Object Detection with Transformers》。传统的目标检测是基于Proposal、Anchor或者None Anchor的方法，并且至少需要非极大值抑制来对网络输出的结果进行后处理，涉及到复杂的调参过程。而DETR使用了Transformer Encoder-Decoder的结构，并且通过集合预测损失实现了真正意义上的端到端的目标检测方法。...
【目标检测】Transformers在小目标检测中的应用：最新技术的基准测试和调查
最新发布
weixin_44037500的博客
08-20 1084
介绍了基于 CNN 的目标检测器，如 YOLO、SSD、RetinaNet 等，以及 Transformer 模型的基本架构，包括编码器和解码器。详细阐述了 DETR 和 ViT - FRCNN 这两个开创性的基于 Transformer 的目标检测器，它们在小目标检测和分类中表现欠佳，且存在计算成本高等问题。使用Transformer 的小目标检测和流行的目标检测方法。
目标检测中的视觉Transformer
3D视觉工坊
06-25 202
视觉感知算法的核心在于精准实时地感知周围环境，以便下游更好地进行决策规划，而目标检测任务就是视觉感知的基础。不仅在自动驾驶领域，在机器人导航、工业检测、视频监控等领域，目标检测都有着广泛应用，也是近年来理论研究的热点。作为计算机视觉中的基础算法，目标检测对后续的人脸识别、目标跟踪、实例分割等任务都起着至关重要的作用。基于深度学习的卷积学习网络（CNN）在目标检测任务上取得了优越的性能，例如Fast...
基于视觉Transformer的目标检测
jacke121的专栏
09-27 4385
基于视觉Transformer的目标检测 无卷积骨干网络：金字塔Transformer，提升目标检测/分割等任务精度 https://github.com/whai362/PVT YOLOS： Transformer能否以最少的2D空间结构从纯粹的序列到序列的角度进行2D目标识别呢？ 为回答该问题，我们提出了YOLOS(You Only Look at One Sequence)，一系列基于朴素ViT(即尽可能少的进行修改)的目标检测模型。我们发现：在中等大小数据集ImageNet上预
ECCV 2022｜通往数据高效的Transformer目标检测器
深度学习技术前沿
08-01 496
作者丨encounter1997@知乎来源丨https://zhuanlan.zhihu.com/p/545435909编辑丨极市平台论文链接：https://arxiv.org/abs/2203.09507代码链接：https://github.com/encounter1997/DE-DETRshttps://github.com/encounter1997/DE-C...
Transformer+目标检测，这一篇入门就够了
梁瑛平的博客
10-03 5772
Vision Transformer for Object Detection本文作者：Encoder-Decoder 简介：Encoder-Decoder 的缺陷：Attention 机制：Self-Attention 机制：Multi-Head Attention：Transformer 结构：图像分类之ViT：图像分类之Pyramid ViT：目标检测之DETR：目标检测之Deformable DETR： 本文作者： BIT可达鸭 禁止转载 Encoder-Decoder 简介： 机器翻译是序列转换模
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
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