论文阅读 How Do Neural Networks See Depth in Single Images?

最新推荐文章于 2025-04-01 22:46:33 发布
最新推荐文章于 2025-04-01 22:46:33 发布
阅读量784 收藏 13
点赞数 5
文章标签： 论文阅读
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/m0_56068762/article/details/139935280
版权

初衷是认为现在有比较多的网络实现了对深度的预测，但是呢没有文章来说明网络预测深度成功到底是因为什么，是因为图像上的物体尺寸还是纹理色彩等原因，然后这篇文章就是给出几个特征点，然后验证到底是哪个特征决定了深度预测成功。

文章里面给了下面几种特征，由于翻译麻烦，这里截图引用的是该篇博客：

论文阅读：How Do Neural Networks See Depth in Single Images?-CSDN博客

然后呢，文章认为基于KITTI这个室外数据集，在图像中物体的位置和物体的尺寸（也就是上面截图中写的目标的面积）对网络的预测效果影响较大

然后基于图像中物体的位置和物体的尺寸，怎么来计算深度呢，大家都知道深度就是物体距离摄像机的距离大小，看下面这张图

图1

Z是物体距离相机的水平距离大小，也就是深度大小，

最低0.47元/天 解锁文章
Rander@
关注
How Do Neural Networks See Depth in Single Images?神经网络如何看到单张图像的深度？
MengYa_Dream的博客
09-11 574
How Do Neural Networks See Depth in Single Images?神经网络如何看到单张图像的深度？ 神经网络为了障碍物在图像中的垂直位置忽略其表征大小；网络只能部分识别相机俯仰和横摇角度的变化；这些变化会干扰对障碍物的估计距离。 垂直距离需要相机的位姿，图像中的垂直位置，进而估计任意障碍物的深度。 网络中使用了哪些深度线索？ 垂直位置、相机位姿、相机的俯仰和横摇角度 深度估计相关属性
第四课:Convolutional Neural Networks 第一周：编程作业:Convolution model - Step by Step
肖泽的博客
03-31 1143
第四门课 卷积神经网络（Convolutional Neural Networks） 第一周：编程作业:Convolution model - Step by Step 本周课程笔记见：第一周 卷积神经网络（Foundations of Convolutional Neural Networks） Convolutional Neural Networks: Step by Step Welcom...
论文阅读：How Do Neural Networks See Depth in Single Images?
blueag1e的博客
02-20 1367
总结一下就是改变相机俯仰角和地平线位置对深度估计有影响但是影响不大。
How do neural networks see depth in single images?（2019.5）
sky的博客
03-05 974
摘要： 近期工作常常集中在提高深度图的准确率上，并且在KITTI等公开数据集上测试结果，它们都展现了神经网络对深度估计的作用，但是没有说如何做的。 本文选用Godard的Monodepth网络来研究它使用什么样的视觉线索来对深度进行估计。我们发现，网络忽略了已知遮挡物的明显大小而选择了图像上的垂直位置（vertical position）。使用水平位置需要已知相机的位姿，然而m...
每天一篇论文 309/365 How do neural networks see depth in single images?
流浪机器人的博客
01-07 846
How do neural networks see depth in single images? 摘要 深度神经网络在单幅图像深度估计方面取得了突破性进展。最近的工作通常集中在深度图的准确性上，在深度图中，对公开可用的测试集（如KITTI vision基准）的评估通常是本文的主要结果。虽然这样的评估显示了神经网络对深度的估计有多好，但并不能说明它们是如何做到这一点的。据我们所知，目前还没有工作...
为什么深度神经网络难以训练Why are deep neural networks hard to train?
GarfieldEr007的专栏
03-20 2755
Imagine you're an engineer who has been asked to design a computer from scratch. One day you're working away in your office, designing logical circuits, setting out AND gates, OR gates, and so on, whe
Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference (纯整数计算)
程永强
03-22 1775
Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference (纯整数算术计算) Benoit Jacob, Skirmantas Kligys, Bo Chen, Menglong Zhu, Matthew Tang, Andrew Howard, Hartwig Adam, Dmitry Kalenichenko post-training quantization，PTQ：训练后
【吴恩达深度学习】Convolutional Neural Networks: Step by Step
无
03-10 504
Convolutional Neural Networks: Step by Step Welcome to Course 4’s first assignment! In this assignment, you will implement convolutional (CONV) and pooling (POOL) layers in numpy, including both forward propagation and (optionally) backward propagation. No
深度神经网络导论Introduction to Deep Neural Networks
GarfieldEr007的专栏
04-11 3527
Introduction to Deep Neural Networks Contents Neural Network DefinitionNeural Network ElementsKey Concepts of Deep Neural NetworksExample: Feedforward Networks & BackpropMultiple Linear Regressi
论文阅读-VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
LuffysMan的博客
06-20 787
作者: Karen Simonyan et al. 日期: 2015 类型: conference article 来源: ICLR 评价: 论文链接: 1 Purpose Investigating the effect of the convolutional network depth on its accuracy in the large-scale image recognition...
How Do Neural Networks See Depth in Single Images.pptx
09-09
论文"ICCV_2019_paper How Do Neural Networks See Depth in Single Images"探讨了神经网络如何利用不同类型的深度线索，如垂直图像位置、相机姿态（包括俯仰和翻滚角度）、光学流以及场景几何结构等。尽管单图像...
【论文阅读笔记】NeurIPS2020文章列表Part1
热门推荐
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
Multi-Stage Progressive Image Restoration论文阅读
qq_45987837的博客
03-28 777
图像复原任务在恢复图像时需要在空间细节与高层语境化信息之间取得复杂的平衡。本文提出了一种新颖的协同设计方法，能够最优地平衡这些竞争目标。我们的核心方案是一种多阶段架构，通过逐步学习退化输入的复原函数，将整体恢复过程分解为更易管理的步骤。具体而言，我们的模型首先利用编码器-解码器架构提取语境化特征，随后将其与保留局部信息的高分辨率分支相结合。在每个阶段，我们引入了一种基于原位监督注意力机制的逐像素自适应设计，用于重新加权局部特征。这种多阶段架构的关键在于不同阶段之间的信息交换。
R-GCN-Modeling Relational Data with GraphConvolutional Networks（论文笔记）
水深00安东尼的博客
03-30 1109
R-GCN通过允许不同关系类型之间的信息传播，能够更好地捕捉图中的复杂关系结构，从而提高了知识图谱补全的效果。
【论文阅读】Backdoor Defense via Test-Time Detecting and Repairing
开心星人的博客
04-01 493
为了防御后门攻击，以往的研究主要集中在使用干净数据在模型部署前去除后门攻击。在本文中，我们研究了利用测试时部分被污染的数据来去除模型中的后门的可能性。为了解决这个问题，我们提出了一种两阶段方法 TTBD。在第一阶段，我们提出了一种后门样本检测方法 DDP，用于从一批混合的、部分被污染的样本中识别出被污染的样本。一旦检测出被污染的样本，我们利用Shapley 估计来计算神经元的重要性贡献，定位受污染的神经元，并对其进行剪枝，以去除模型中的后门。
论文笔记：ASTTN模型
Ada的博客
04-01 503
这种方法在建模复杂的时空关系时尤为重要，尤其是在原始邻接信息可能不完整或不足以完全表达节点间依赖性的情况下。直接计算全局时空注意力（full ST-attention）会导致计算复杂度过高，难以扩展到大规模数据。而自适应邻接矩阵的引入可以。
论文阅读笔记：Denoising Diffusion Implicit Models （3）
最新发布
u010948546的博客
04-01 476
DDPM与DDIM的训练过程相同，因此DDPM训练的模型可以直接在DDIM当中使用，训练过程下所示。
【论文阅读】Co2l: Contrastive continual learning
moment8aVry的博客
03-29 814
该论文提出了一种名为Co²L（对比持续学习）的新方法，旨在解决持续学习中的灾难性遗忘问题。核心思想是通过对比学习（Contrastive Learning）和自监督蒸馏（Self-supervised Distillation）来持续学习和维护可迁移的表示。
【论文阅读】Self-Correcting Clustering
dundunmm的博客
04-01 741
目标分布的引入显著提升了深度聚类的效果。然而，大多数相关的深度聚类方法存在两个主要缺陷：(1) 依赖人工设计的目标分布函数，性能存在不确定性；(2) 聚类错误分配的累积。为了解决这些问题，本文提出了一种自校正聚类（Self-CC）框架。在 Self-CC 中，设计了一种鲁棒目标分布求解器（RTDS），用于自动预测目标分布并缓解错误分配的影响。具体而言，RTDS 通过建模聚类模块的训练损失分布，将根据聚类分配结果选出的高置信度样本划分为具有正确伪标签的已标记样本和可能错误分配的未标记样本。
How transferable are features in deep neural networks?怎么引用
06-12
如果您要在学术论文或其他类似的文献中引用 "How transferable are features in deep neural networks?" 这篇论文，可以按照以下格式进行引用： Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). How ...
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