论文笔记-深度估计(3)Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale...

最新推荐文章于 2022-12-01 09:46:51 发布
VIP文章 最新推荐文章于 2022-12-01 09:46:51 发布
阅读量4k 收藏 10
点赞数 1
分类专栏： 深度、位姿估计
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/kevin_cc98/article/details/78935659
版权

Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture

这篇文章是eigen 2015年的新文章，基于同样的模型，同样的初始化和大概相同的参数，可以用来得到深度，表面法向量或语义标签。

1.网络介绍

它的Pipeline如图:
这里写图片描述

这里写图片描述

三个stage的网络，scale1的输入与池化后的原图片concatenate，scale2的输入与池化后的原图片进行concatenate。相对于2014年的论文Depth Map Prediction from a Single Image using a Multi-Scale Deep Network中没有输出像素级深度预测的问题，新增了scale3用来unsample。

2.Scale 1-Full-Image:

先对它进行一个VGG或AlexNet的网络来提取feature ma

最低0.47元/天 解锁文章
一只飞鱼fy
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
Python-多任务联合分割DepthSurfaceNormas实时轻量级RefineNet
08-10
多任务（联合分割/Depth/Surface Normas）实时轻量级RefineNet
Unity Shader总结（十三）——深度和法线纹理、改进的运动模糊和边缘检测及高度雾的生成
memory_MM_forever的博客
07-06 336
文章目录如何获取查看运动模糊基于屏幕后处理的全局雾效边缘检测 深度纹理实际就是一张渲染纹理，它里面存储的像素值是一个高精度的深度值，范围是[0,1]，非线性分布； 如何获取 脚本中： 深度：camera.depthTextureMode = DepthTextureMode.Depth 深度+法线：camera.depthTextureMode = DepthTextureMode.DepthNormals 深度和深度+法线：camera.depthTextureMode | = DepthTextureM
Unity获取depth与normal的几种方法对应的效果
weixin_42565127的博客
05-13 664
Depth 获取Depth的几种方法，分别有不同效果 1. <spanstyle="font-size:14px;">float2depth_uv=float2(i.uv_MainTex.x,1-i.uv_MainTex.y); floatd=SAMPLE_DEPTH_TEXTURE(_CameraDepthTexture,depth_uv);</span> 2. <spanstyle...
Normal与depth互相计算
xiweijie的博客
09-14 2494
Compute normal vector from depth 代码地址ComputeNormal matlab code 代码参考Data-driven 3d primitives for single image understanding 使用matlab库函数surfnorm 算法 input: D Depth map，K Camera intrinsic output: N Surface normal map def GenerateSurfaceNormal(D, K) P (X,
Unity Shader学习记录（十）
小强的博客
05-31 461
Unity Shader学习记录（十）   前文提到的屏幕后处理特效只是一类在渲染完成后的帧画面基础上做二次处理的特效，虽然在大部分情况下它们是可用而且足够高效的，但更多的情况下我们不仅需要当前的帧画面，还需要场景的深度和法线信息。   一个典型的例子是边缘检测，前文中使用Sobel算子进行卷积运算来检测边缘其实并不精确，因为颜色的变化有时候并不说明真正的物体边缘，而且光照效果也会影响到边缘检...
【论文精读】Deep Surface Normal Estimation with Hierarchical RGB-D Fusion
sunnyblogs的博客
04-12 814
【Abstract】 RGB-D商业相机的普及促进了其在场景理解领域的发展。然而，基于RGB-D数据的surface normal estimation作为场景理解领域的基础任务，却缺乏深入的研究。本论文，提出了一种具有自适应特征权重的分层融合网络，用于单个RGB-D图像的surface normal estimation。其中，彩色图像的特征与深度图像的特征在多个尺度上依次融合，以确保整体表面平滑的同时保有视觉显著细节。同时，深度特征在合并到彩色分支之前，使用深度估计的置信图重新加权，以避免输入的深度存在
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Archit
qd1813100174的博客
12-01 1463
本文用一个模型解决了三个问题： 1.深度估计 2.表面法向估计 3.语义标注
Predicting Depth,Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Archite
TheWaySoFar
04-13 2088
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture 主要贡献: 使用multi scale训练, 每一阶段的输入都是累加上一阶段的输出和原图像的一层卷积下采样. 第一阶段和第二阶段联合训练(感觉就是可以把第一阶段和第二阶段联合在一起...
论文笔记：Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional
upup
06-06 870
一、基本信息 标题：Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture 时间：2015 出版源：IEEE 论文领域：单目深度估计、深度学习、语义分割、CNN 引用格式：Eigen D, Fergus R. Predicting depth, surface normals and semantic labels with a common mult
Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale... 论文笔记
qq_39546227的博客
10-29 690
1. 论文介绍 本文作者设计了一种通用的多尺度网络，仅需要通过少量的修改就能适用于三个不同的计算机视觉任务：深度估计，表面法向量估计，语义分割。给定输入图片，网络能够直接回归出输出图，如深度图、法向量图、分类图。网络结构在之前工作上加以改进，堆叠了 3 层卷积神经网络，从低分辨率逐渐升到高分辨率，进一步改善了图像细节。测试中，网络的输出是实时的，达到了 30Hz 左右，同时生成的结果在三项任务中都...
Depth_estimation:深度学习模型可估计图像深度
05-22
带转移学习的预训练MobileNetV2的单眼深度估计 该项目实施了深度学习神经网络模型，以生成给定图像的深度图像。 模型是一个以MobileNetV2为编码器的U-net模型，该模型利用了从编码器到解码器的跳过连接。 模型为相同大小的输入图像生成分辨率为480x640的深度图像。 该项目的实施参考了以下文件： [Ibraheem Alhashim]和Peter Wonka 入门 使用IPYTHON文件“ train_mobilenetv2.ipynb”训练模型。 下载数据集并提供数据集的位置。 根据需要更改以下内容：batch_size，epochs，lr（学习率）。 如果需要，加载预训练的模型。 IPYTHON文件“ test_img.ipynb”可用于在预训练模型上生成深度图像。 给出要转换的图像字典的位置并加载预训练的模型 IPYTHON文件“ test_video.i
A novel Multi-Agent Ada-Boost algorithm for predicting protein structural class with the information of protein secondary structure.
02-22
A novel Multi-Agent Ada-Boost algorithm for predicting protein structural class with the information of protein secondary structure.
PEDLA: predicting enhancers with a deep learning-based algorithmic framework.
02-11
PEDLA: predicting enhancers with a deep learning-based algorithmic framework.
文章2：全文Identifying and Predicting Autism Spectrum Disorder Based on Multi-Site Structural MRI With Machine Learning.pdf
04-23
文章2：全文Identifying and Predicting Autism Spectrum Disorder Based on Multi-Site Structural MRI With Machine Learning.pdf
Predicting and Generating Wallpaper Texture with Semantic Properties
02-07
Predicting and Generating Wallpaper Texture with Semantic Properties
data processing.zip_electricityzoo_gentle61j_kaggle_sales-predic
09-21
kaggle竞赛 沃尔玛销售预测源码,竞赛成绩前30%，和大家分享
单目深度估计综述
WX_Chen的博客
09-13 1561
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
Bi-directional Cross-Modality Feature Propagation with Separation-and Aggregation Gate_eccv2020
Cloris_Sue的博客
09-10 2207
Bi-directional Cross-Modality Feature Propagation with Separation-and Aggregation Gate for RGB-D Semantic Segmentation_ECCV2020 这篇论文是eccv2020的。第一作者是北大信息科学技术学院的，主攻方向就是RGBD语义分割。第二个作者是商汤科技的。 摘要 motivation：大多数现有的工作只是假设深度测量是准确的，并与RGB像素很好地对齐，并将问题建模为跨模态特征融合，以获得更好
https://platform.openai.com/docs/models/gpt-4
最新发布
03-31
It is expected to be an improvement on the current state-of-the-art language model, GPT-3, which has 175 billion parameters and can generate coherent and convincing text in a variety of styles and ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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