Depth Map Prediction from a Single Image using a Multi-Scale Deep Network

这个文章有两个点，第一，基于整张图片进行一个粗全局预测，另外一个是局部优化预测。同时也采用尺度不变性来修正深度。

第一部分这个粗预测层，虽然层数比较少，但好歹也是ImageNet 预训练过的。预训练结果当然比随机初始化的要好啦。

第二部分，局部修正比例网络。当对于全局信息有了一个粗深度预测之后，用子网络来对结果进行局部的修正。比如物体和墙壁的边缘，这个修正网络由卷积层和池化层构成。有个有意思的，池化阶段为了边缘特征？池化与边缘特征啥关系？

网络很简单。通过pool来增大因为卷积减小的尺度。网络过于简单，怀疑其性能。

尺度不变性损失。

网络结构自认为不太好，好好学习其损失代价。

这就是训练的代价，lambda为0的时候就是一个l2loss，lambda为1的时候，就是添加了尺度不变性的loss。至于尺度不变性，这里还不是很理解，也许要去看下传统的论文算法了。

这里，后面一项其实是周围像素的一个惩罚。当同方向的时候，无惩罚，当方向为负的时候，惩罚加大。这样可以使得结果图片看上去更加的平滑，也是近期主要处理的问题。

这里的d

数据增益

它也有数据增益

尺度变化，[1，1.5]

旋转，5度以内

转换，也是crop

color，[0.8，1.2]^3

翻转，水平垂直50%的概率翻转。

总结：网络一般般，loss值得考虑