单目深度估计指标：SILog, SqRel, AbsRel, RMSE, RMSE（log）

最新推荐文章于 2024-06-26 14:28:42 发布
最新推荐文章于 2024-06-26 14:28:42 发布
阅读量1.3w 收藏 71
点赞数 25
分类专栏： 深度估计
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/qq_34923437/article/details/109048229
版权
本文介绍了单目深度估计中的关键评估指标，包括SILog、SqRel、AbsRel、RMSE以及RMSE（log）。这些指标用于衡量深度预测的准确性，其中SILog是一种尺度不变的误差评价标准，常在如KITTI排行榜上使用。深度估计领域的重要论文对此进行了详细阐述，例如2014年的《Depth map prediction from a single image using a multi-scale deep network》和2020年的《BANet》。
摘要由CSDN通过智能技术生成
最低0.47元/天 解锁文章
Stellar stream
关注
专栏目录
TPAMI 2024 | 单目深度估计：全面综述
小白学视觉
07-24 1049
在计算机视觉领域，对二维图像中深度的估计是一个具有挑战性的主题。这是一个长期被深入研究且定义不明确的问题，一直是密集研究的焦点。本文是对这一主题的深入回顾，呈现了两个方面：一方面考虑人类深度感知的机制，另一方面包括各种深度学习方法。这些方法以紧凑和结构化的方式呈现，概述了主题，并根据近十年的研究线索对方法进行了分类。尽管在这一主题上取得了显著进展，但似乎没有任何与人类深度感知及其潜在益处的联系。
单目深度估计评估指标
aq531211903的博客
11-20 7843
KITTI Depth以及ScanNet评估指标   指标 名称 表达式 abs rel. absolute relative error mae mean absolute error log mae mean absolute logarithmic error imae inverse mean absolu...
单目深度估计的评价指标
SHS_JAVA的博客
04-19 7906
目前评价单目深度估计最常用的量化指标是绝对相对差（AbsRel）、均方根误差（RMSE）、RMSE（log）和相对误差（SqRel）。以下为各量化指标的计算公式。   其中di是真实的深度信息，di* 为预测的深度值，在深度估计有有三个常用的阈值thr=1.25，1.252,1.253，在比较真实的深度di和预测的深度di*时，可以采用如下的方法。 选取di/di* 和 di*/di两个之中的最大值，统计所有di中小于阈值thr的像素点所占总体像素点的白分比，越接近于1效果越好，所以阈值越大，即
基于深度学习的深度估计或VO论文中的评价指标
03-20
基于深度学习的深度估计或vo中性能评估指标，rel、rmse、log10等
深度学习评估指标
最新发布
kkbown的博客
06-26 243
衡量回归模型对数据方差的解释程度，取值范围在0到1之间，越接近1表示模型拟合得越好。: 所有真正的正例中被预测为正的比例，衡量模型能够识别出多少真正的正例。: 正类预测正确的比例，衡量模型预测为正的样本中有多少是真正的正例。: 用于回归问题中，衡量模型预测值与真实值之间的平方差的平均值。: 精确率和召回率的调和平均数，综合考虑了模型的精度和召回率。: 用于多类别分类问题中，衡量预测分布与真实分布之间的差异。: 衡量模型预测与真实值之间的差异，是优化模型参数的依据。: 分类任务中预测正确的样本比例。
对数均方根误差（Logarithmic Root Mean Squared Error, log-RMSE）
m0_57236802的博客
04-17 3065
这个损失函数表示的是对数均方根误差（Logarithmic Root Mean Squared Error, log-RMSE），它是回归任务中的一种评估指标。在某些情况下，特别是当目标变量的范围很大或分布偏斜时，使用对数误差而不是原始误差来衡量模型性能可能更合适。总之，对数均方根误差（log-RMSE）损失函数对原始目标值和预测值进行对数转换，关注相对误差，从而使评估过程更加鲁棒。例如，当目标变量存在负值时，对数均方根误差将无法计算，因为负数的自然对数是未定义的。这一步可以得到整体的误差度量。
【科研】一目了然单目深度估计实验评价指标
MengYa_Dream的博客
02-20 2886
【科研】单目深度估计实验评价指标
最全的整理：毫米波雷达在检测、分割、深度估计等多个方向的近期工作及简要介绍
AI训练师中的点滴
09-29 7931
进展介绍
新 RMSE：如何轻松计算 RMSE-matlab开发
05-30
这个标题“新 RMSE：如何轻松计算 RMSE-matlab开发”提示我们将学习如何在 MATLAB 中简便地实现 RMSE 的计算。描述中的"Keyey = 7367462"可能是一个激活码或者版本号，但这里我们主要关注 RMSE 的计算方法。 首先，...
基于深度学习的单目深度估计总结.zip
03-28
《基于深度学习的单目深度估计总结》 在当今的人工智能领域，深度学习作为一种强大的机器学习技术，已经在计算机视觉、自然语言处理等多个领域取得了显著的成果。本毕业设计及课程设计聚焦于深度学习在单目深度估计...
单目深度估计基础理论和论文学习总结
苹果姐计算机视觉原创知识分享
01-12 2618
深度估计基础论文总结
print("{:>7}, {:>7}, {:>7}, {:>7}, {:>7}, {:>7}, {:>7}, {:>7}, {:>7}".format('silog', 'abs_rel', 'lo...
weixin_42579969的博客
01-06 103
这是在 Python 中使用字符串格式化的一个例子。其中，"{:>7}" 是一个占位符，表示其后面的变量要被格式化为一个长度为 7 个字符的字符串，并且该字符串应该被右对齐。例如，当 abs_rel 的值为 123.45 时，"{:>7}" 将被替换为 " 123.45"。 所以整个字符串表示的意思是：使用指定的格式将 silog、abs_rel、log10、rms、sq_rel、lo...
【机器学习】回归评价指标---MSE、RMSE、MAE、R-Squared
fengdu78的博客
05-16 9811
分类问题的评价指标是准确率，那么回归算法的评价指标就是MSE，RMSE，MAE、R-Squared。MSE和MAE适用于误差相对明显的时候，大的误差也有比较高的权重，RMSE则是针对误差不是很明显的时候；MAE是一个线性的指标，所有个体差异在平均值上均等加权，所以它更加凸显出异常值，相比MSE；RMSLE: 主要针对数据集中有一个特别大的异常值，这种情况下，data会被skew，RMSE会被明显拉...
动手学深度学习笔记day7
m0_56770663的博客
07-20 1027
实战Kaggle比赛：预测房价
最新开源无监督单目深度估计方法，解决复杂室内场景难训练问题，效果性能远超SOTA...
3D视觉工坊
07-24 2157
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达一、摘要无监督单目深度估计算法已经被证明能够在驾驶场景（如KITTI数据集）中得到精确的结果，然而最近 [5] (ICCV 2019...
双目立体视觉建立深度图_【视觉】先进驾驶辅助系统中基于单目视觉的场景深度估计方法...
weixin_39804641的博客
12-30 502
本文摘自于：丁萌,姜欣言.先进驾驶辅助系统中基于单目视觉的场景深度估计方法[J].光学学报,2020,40(17):1715001引言前视场景深度(景深)信息在先进车辆驾驶辅助系统(ADAS)中具有重要的作用,通过前视景深信息可以精确感知车辆的运行环境,获得道路交通环境中车辆、行人等交通参与者以及路灯建筑等障碍物与车辆本体的距离等,从而实现 ADAS的避障和行人保护功能。目前,...
RMSE（均方根误差）、MSE（均方误差）、MAE（平均绝对误差）、SD（标准差）
热门推荐
敲代码的quant的博客
08-24 25万+
RMSE（Root Mean Square Error）均方根误差 衡量观测值与真实值之间的偏差。 常用来作为机器学习模型预测结果衡量的标准。 MSE（Mean Square Error）均方误差 MSE是真实值与预测值的差值的平方然后求和平均。 通过平方的形式便于求导，所以常被用作线性回归的损失函数。 MAE（Mean Absolute Error）平均绝对...
知识卡片 回归度量-MAE和RMSE
MineData
07-31 1020
什么是回归？回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，可以通过分析一定的趋势来进行预测。最简单的例子是：y = a...
评估目标之RMSE，MAP，NDCG
leiting_imecas的博客
10-19 3105
今天终于得空写点最近看的东西。 最近在看排序算法lambadarank，先写下几种evaluation metrics1. MSEMSE(mean square error, 均方误差）是预测值与真实值差的平方的期望: 2. RMSERMSE(root mean square error, 均方根误差）是MSE的算数平方根 RMSE在常在
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