一、基本信息
标题:Semi-Supervised Deep Learning for Monocular Depth Map Prediction
时间:2017
引用格式:Kuznietsov Y, Stuckler J, Leibe B. Semi-supervised deep learning for monocular depth map prediction[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 6647-6655.
二、研究背景
监督学习:需要大量标记数据,激光雷达RGBD等获取的数据存在噪声且稀疏,激光与照相机的投影中心不重合
无监督学习:对应没有纹理的地方,预测不了
总结一下深度预测发展:
- Saxena et al. 第一个基于监督学习方法,使用MRF,手动提取特征
- Eigen et al.使用CNN,由粗到细的多层网络。笔记
- Li et al.使用CNN结合CRFs超像素分割
- Liu et al.端到端训练一元势和成对势的CNN特征,连续深度和高斯假设??
- Laina et al.使用ResNet构建深度卷积,得到预测密度更大
- 此后,图像的深度转移的思想[或者将深度图预测与语义分割相结合
- Garg et al. FCN FlowNet 使用光测误差。(利用一阶泰勒近似将损失线性化,因此需要从粗到细的训练??)
- Xie et al. 视差方法,最小化像素级重建误差。
- Godard et al.也是视差方法,最小重建误差,但是使用左右约束。笔记
三、创新点
本文提出使用监督和非监督结合的方法。一个训练配对图需要2张深度图(LiDAR获得),2张RGB图。
令CNN预测的深度倒数
ρ
(
x
)
\rho(\mathbf{x})
ρ(x)和激光雷达得到的深度
Z
(
x
)
Z(\mathbf{x})
Z(x)对应关系:
ρ
(
x
)
−
1
=
!
Z
(
x
)
\rho(\mathbf{x})^{-1} \stackrel{!}{=} Z(\mathbf{x})
ρ(x)−1=!Z(x)
图像减去视差
f
b
ρ
(
x
)
f b \rho(\mathbf{x})
fbρ(x):
ω
(
x
,
ρ
(
x
)
)
:
=
x
−
f
b
ρ
(
x
)
\omega(\mathbf{x}, \rho(\mathbf{x})):=\mathbf{x}-f b \rho(\mathbf{x})
ω(x,ρ(x)):=x−fbρ(x)
令左图
I
1
I_1
I1等于右图
I
2
I_2
I2-视差:
I
1
(
x
)
=
!
I
2
(
ω
(
x
,
ρ
(
x
)
)
)
I_{1}(\mathbf{x}) \stackrel{!}{=} I_{2}(\omega(\mathbf{x}, \rho(\mathbf{x})))
I1(x)=!I2(ω(x,ρ(x)))
结合左右图像:
I
left
(
x
)
=
!
I
right
(
ω
(
x
,
ρ
(
x
)
)
)
I
right
(
x
)
=
!
I
left
(
ω
(
x
,
−
ρ
(
x
)
)
)
\begin{array}{c} I_{\text {left}}(\mathbf{x}) \stackrel{!}{=} I_{\text {right}}(\omega(\mathbf{x}, \rho(\mathbf{x}))) \\ I_{\text {right}}(\mathbf{x}) \stackrel{!}{=} I_{\text {left}}(\omega(\mathbf{x},-\rho(\mathbf{x}))) \end{array}
Ileft(x)=!Iright(ω(x,ρ(x)))Iright(x)=!Ileft(ω(x,−ρ(x)))
损失函数
Supervised loss.
L θ S = ∑ x ∈ Ω Z , l ∥ ρ l , θ ( x ) − 1 − Z l ( x ) ∥ δ + ∑ x ∈ Ω Z , r ∥ ρ r , θ ( x ) − 1 − Z r ( x ) ∥ δ \begin{aligned} \mathcal{L}_{\boldsymbol{\theta}}^{S}=\sum_{\mathbf{x} \in \Omega_{Z, l}}\left\|\rho_{l, \boldsymbol{\theta}}(\mathbf{x})^{-1}-Z_{l}(\mathbf{x})\right\|_{\delta} &+\sum_{\mathbf{x} \in \Omega_{Z, r}}\left\|\rho_{r, \boldsymbol{\theta}}(\mathbf{x})^{-1}-Z_{r}(\mathbf{x})\right\|_{\delta} \end{aligned} LθS=x∈ΩZ,l∑∥∥ρl,θ(x)−1−Zl(x)∥∥δ+x∈ΩZ,r∑∥∥ρr,θ(x)−1−Zr(x)∥∥δ
θ
\theta
θ是CNN参数那么预测的深度倒数:
ρ
r
/
l
,
θ
\rho_{r/l, \theta}
ρr/l,θ,
∥
⋅
∥
δ
\|\cdot\|_{\delta}
∥⋅∥δ是berHu范数,结合了L1和L2范数:
∥
d
∥
δ
=
{
∣
d
∣
,
d
≤
δ
d
2
+
δ
2
2
δ
,
d
>
δ
\|d\|_{\delta}=\left\{\begin{array}{l}|d|, d \leq \delta \\ \frac{d^{2}+\delta^{2}}{2 \delta}, d>\delta\end{array}\right.
∥d∥δ={∣d∣,d≤δ2δd2+δ2,d>δ
δ = 0.2 max x ∈ Ω Z ( ∣ ρ ( x ) − 1 − Z ( x ) ∣ ) \delta=0.2 \max _{\mathbf{x} \in \Omega_{Z}}\left(\left|\rho(\mathbf{x})^{-1}-Z(\mathbf{x})\right|\right) δ=0.2x∈ΩZmax(∣∣ρ(x)−1−Z(x)∣∣)
Unsupervised loss.
L θ U = ∑ x ∈ Ω U , l ∣ ( G σ ∗ I l ) ( x ) − ( G σ ∗ I r ) ( ω ( x , ρ l , θ ( x ) ) ) ∣ + ∑ x ∈ Ω U , r ∣ ( G σ ∗ I r ) ( x ) − ( G σ ∗ I l ) ( ω ( x , − ρ r , θ ( x ) ) ) ∣ \begin{array}{c} \mathcal{L}_{\boldsymbol{\theta}}^{U}=\sum_{\mathbf{x} \in \Omega_{U, l}}\left|\left(\mathbf{G}_{\sigma} * I_{l}\right)(\mathbf{x})-\left(\mathbf{G}_{\sigma} * I_{r}\right)\left(\omega\left(\mathbf{x}, \rho_{l, \boldsymbol{\theta}}(\mathbf{x})\right)\right)\right| \\ +\sum_{\mathbf{x} \in \Omega_{U, r}}\left|\left(\mathbf{G}_{\sigma} * I_{r}\right)(\mathbf{x})-\left(\mathbf{G}_{\sigma} * I_{l}\right)\left(\omega\left(\mathbf{x},-\rho_{r, \boldsymbol{\theta}}(\mathbf{x})\right)\right)\right| \end{array} LθU=∑x∈ΩU,l∣(Gσ∗Il)(x)−(Gσ∗Ir)(ω(x,ρl,θ(x)))∣+∑x∈ΩU,r∣(Gσ∗Ir)(x)−(Gσ∗Il)(ω(x,−ρr,θ(x)))∣
G σ \mathrm{G}_{\sigma} Gσ是高斯核,模糊是为了去噪,使用 σ = 1 p x \sigma=1 \mathrm{px} σ=1px
Regularization loss.
L θ R = ∑ i ∈ { l , r } ∑ x ∈ Ω ∣ ϕ ( ∇ I i ( x ) ) ⊤ ∇ ρ i ( x ) ∣ L_{\boldsymbol{\theta}}^{R}=\sum_{i \in\{l, r\}} \sum_{\mathbf{x} \in \Omega}\left|\phi\left(\nabla I_{i}(\mathbf{x})\right)^{\top} \nabla \rho_{i}(\mathbf{x})\right| LθR=i∈{l,r}∑x∈Ω∑∣∣∣ϕ(∇Ii(x))⊤∇ρi(x)∣∣∣
ϕ ( g ) = ( exp ( − η ∣ g x ∣ ) , exp ( − η ∣ g y ∣ ) ) ⊤ \phi(\mathbf{g})=\left(\exp \left(-\eta\left|g_{x}\right|\right), \exp \left(-\eta\left|g_{y}\right|\right)\right)^{\top} ϕ(g)=(exp(−η∣gx∣),exp(−η∣gy∣))⊤
η
=
1
255
\eta=\frac{1}{255}
η=2551
防止预测梯度太大作用,个人理解:当预测梯度
∇
ρ
i
(
x
)
\nabla \rho_{i}(\mathbf{x})
∇ρi(x)很大时,而真实梯度很小,导致
ϕ
(
∇
I
i
(
x
)
)
⊤
\phi\left(\nabla I_{i}(\mathbf{x})\right)^{\top}
ϕ(∇Ii(x))⊤很大,所以
L
θ
R
L_{\boldsymbol{\theta}}^{R}
LθR就很大。保持梯度一致性的意思。。。
总损失
L
θ
(
I
l
,
I
r
,
Z
l
,
Z
r
)
=
λ
t
L
θ
S
(
I
l
,
I
r
,
Z
l
,
Z
r
)
+
γ
L
θ
U
(
I
l
,
I
r
)
+
L
θ
R
(
I
l
,
I
r
)
\begin{array}{l} \mathcal{L}_{\boldsymbol{\theta}}\left(I_{l}, I_{r}, Z_{l}, Z_{r}\right)= \quad \lambda_{t} \mathcal{L}_{\boldsymbol{\theta}}^{S}\left(I_{l}, I_{r}, Z_{l}, Z_{r}\right)+\gamma \mathcal{L}_{\boldsymbol{\theta}}^{U}\left(I_{l}, I_{r}\right)+\mathcal{L}_{\boldsymbol{\theta}}^{R}\left(I_{l}, I_{r}\right) \end{array}
Lθ(Il,Ir,Zl,Zr)=λtLθS(Il,Ir,Zl,Zr)+γLθU(Il,Ir)+LθR(Il,Ir)
λ
t
\lambda_{t}
λt 和
γ
\gamma
γ是权衡参数
网络结构
用的残差网络Flownet
2种残差块:
上投影残差块:
具体网络结构:
四、实验结果
9就是系列2左右约束方法,然后看到本文方法可以结合真实深度预测得到比较精准结果,同时对于真实深度没有扫描的地方,通过CNN进行学习。
五、结论与思考
作者结论
总结
本文在有深度标签数据下是个结合CNN的方法,但是大多数情况是没有深度。要是以后有深度相机集成到手机上,这个方法不失为增强方法。