![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
depth estimation
文章平均质量分 55
放牛娃子
尽量上干货,少说废话,不混篇幅
展开
-
自监督深度估计之SSIM损失,附pytorch代码
来源:公众号在自监督深度估计中,一般输入2张图像(若为视频,则输入邻近的两帧图像)frame1和frame2,模型先估计相机拍摄这2张图像是的姿态变化pose,然后根据pose将frame1变换到frame2的视角下,得到合成图像synthetic frame1。估算的pose越准确,synthetic frame1与frame2的图像相似度就越高。那么,常用SSIM(结构相似性)来评价这两张图片的相似度。若希望详细了解单目深度估计,可参考文章《动态场景下的单目深度估计》、《Instance-w原创 2021-05-27 15:25:51 · 1667 阅读 · 0 评论 -
KITTI数据集raw_data标定文件说明
官方文档:Vision meets Robotics: The KITTI Datasetcalib_cam_to_cam.txt为相机i到0号相机的标定参数。calib_time: 09-Jan-2012 13:57:47corner_dist: 9.950000e-02S_00: 1.392000e+03 5.120000e+02K_00: 9.842439e+02 0.000000e+00 6.900000e+02 0.000000e+00 9.808141e+02 2.331966e原创 2021-05-19 16:06:15 · 2649 阅读 · 0 评论 -
无监督深度学习SLAM——Moving SLAM
Moving SLAM: Fully Unsupervised Deep Learning in Non-Rigid Scenes摘要作者提出了一种可无监督训练的深度学习网络,该网络输入视频流,输出3D场景信息(camera 和depth)、运动目标及其运动信息。传统的SLAM存在一个强假设:目标是静止的。这种刚性场景假设限制了模型预测的性能。作者提出了一种简单的解决方案:将图像的局部区域作为刚性场景,对每个区域,预测不同的pose,计算不同区域的误差,进而优化网络参数。对于每个区域,预测一个6D的原创 2021-05-06 15:04:52 · 501 阅读 · 0 评论 -
无监督深度估计、运动估计的深度学习方法(二)——SSIM损失函数
在自监督深度估计中,一般输入2张图像(若为视频,则输入邻近的两帧图像)frame1和frame2,模型先估计相机拍摄这2张图像是的姿态变化pose,然后根据pose将frame1变换到frame2的视角下,得到合成图像synthetic frame1。估算的pose越准确,synthetic frame1与frame2的图像相似度就越高。那么,常用SSIM(结构相似性)来评价这两张图片的相似度。若希望详细了解单目深度估计,可参考文章《无监督深度估计、运动估计的深度学习方法(一)...原创 2020-12-09 10:06:05 · 2040 阅读 · 0 评论