单目深度估计中的LOSS构造【未完待续】

最新推荐文章于 2024-04-26 11:55:26 发布
最新推荐文章于 2024-04-26 11:55:26 发布
阅读量4.1k 收藏 25
点赞数 6
分类专栏： 深度估计 文章标签： 1024程序员节
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/109267423
版权

本文内容：对单目无监督深度估计相关损失函数的构造进行梳理介绍

目录

Appearance based reprojection loss (也称photometric loss)

Appearance based reprojection loss 改进

1. Per-pixel Minimum reprojection loss

2. mask

3. full-resolution multi-scale loss

edge-aware smoothness loss

Appearance based reprojection loss (也称photometric loss)

 

0. 无监督单目深度估计问题被转化为图像重建问题。既然是图像重建，就有重建源source image和重建目标target image，我们用It’和It表示

1.Monocular sequence 训练时，source It’ 不止1张，损失函数是各It’损失函数之和

2.对于某Scale的图像损失函数为:  α一般0.85。SSIM: 结构相似性structural similarity

最低0.47元/天 解锁文章
Stellar stream
关注
  • 6
    点赞
  • 踩
  • 25
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
pytorch 如何通过图像深度连续性计算Loss
qq_29679623的博客
12-12 1541
单目深度估计中，利用图像连续性约束深度是一个很常见的操作，介绍一下如何用pytorch来实现
深度估计卷积神经网络的论文及损失函数总结
weixin_42623382的博客
03-24 4462
深度估计卷积神经网络的论文及损失函数总结 本文涉及以下概念，深度估计depth estimation, 深度学习deep learning, 卷积神经网络convolutional neural network, 损失函数loss function, 重点介绍近年来视觉图像通过深度学习方式获取图像深度和运动的几篇重要论文，以及论文涉及到的神经网络损失函数 1、Zhou T, Brown M, Sn...
浅析自监督深度估计中的光度损失(Photometric Loss)
qq_17027283的博客
07-21 847
浅析自监督深度估计中的光度损失
边缘损失edge loss
最新发布
qq_45753667的博客
04-26 221
其实公式很好理解， |X-Y|表示了超分图像与真实图像的绝对误差， 但是我们更关心边缘的信息， 所以用E 去加权， 边缘部分的占比就会变大，那么这个loss就能更好地优化边缘信息。MSE的评价指标与人的对图像的主观感知效果没有很好的相关性， 因为它考虑的是平均， 没有很好地考虑一些显著特征的影响， 而显著的结构和纹理信息与人的主观感知效果有高度相关。其中X 和Y分别是网络输出的超分图像和真实的超分图像，E 是求得的边缘特征。
【光流估计】无监督学习的LOSS
TSthinker的博客
10-07 7504
无监督光流估计中损失函数的相关内容与个人理解
浅谈无监督单目深度估计框架的局限性
zxcqlf的博客
07-12 1754
无监督单目深度估计框架的局限性 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录无监督单目深度估计框架的局限性一、无监督框架二、基本损失函数1.引入库2.读入数据 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、无监督框架 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
【code|loss edge-aware smoothness loss】
weixin_45714660的博客
06-27 273
【代码】【code|loss edge-aware smoothness loss】
深度学习之单目深度估计：无监督学习篇
3D视觉工坊
06-22 3227
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者：桔子毛https://zhuanlan.zhihu.com/p/29968267本文仅做学术分享，如有侵权，请联系删除。Pre...
深度学习中Loss突然变为0的解决方法
01-07
在深度学习中，在网络模型，优化器，损失函数均正确的情况下，可能在训练过程中会发生loss为nan的情况，这种情况下可能的一种原因是输入数据存在nan的情况，如果在数据量很多的情况下，可以通过以下方法来修正 ...
深度学习 loss
10-12
深度学习 loss总结
基于二维图像和三维几何约束神经网络的单目室内深度估计方法.docx
02-23
单目深度估计是计算机视觉领域的一个重要研究方向，其目标是从单张RGB图像中推断出场景的深度信息，这对于三维重建、障碍物检测和增强现实等应用至关重要。传统的深度获取方式依赖于昂贵的硬件设备如激光雷达，而...
深度学习loss函数优化
11-06
为了方便使用，近期和朋友整理了对各种loss函数的对比，包括适用场景等等，对深度学习有很大的帮助，希望与大家共同学习
Lecture1_loss_深度学习_ADAM_手写数字识别_
10-03
基于神经网络的手写数字识别本次课程设计使用的模型是class定义的MnistModel模型对比adam和SGD优化器并改变学习率查看acc和loss曲线的不同结果
单目深度估计--深度学习篇
热门推荐
weixin_43702653的博客
03-30 2万+
文章目录一：深度估计应用背景1.深度估计的定义2.深度估计的应用场景3.几种深度估计的方法4.使用深度学习估计的优缺点二：单目深度估计模型1.使用的数据集2.整体网络架构3.分模块解析Ⅰ：层级Ⅱ：ASPPⅢ：特征图减法操作Ⅳ：特征融合Ⅴ：Coarse-to-FineⅥ：权重参数预处理WS与pre_act操作Ⅶ：损失函数 一：深度估计应用背景 1.深度估计的定义 假设我们有一张2d图片III,我们需要一个函数 FFF 来求取其相对应的深度ddd．这个过程可以写为： d=F(I)d = F(I)d=F(I) 这
欢迎入坑单目深度估计
Hu_Linson的博客
10-19 4852
深度估计入门
学习笔记2022.7.25-7.30
m0_57469698的博客
07-31 1069
记录学习slam以及深度学习
深度估计-01-Digging Into Self-Supervised Monocular Depth Estimation
qq_40600539的博客
10-13 1337
ICCV 2019 [paper] [code] Overview 本文介绍一种自监督的深度估计方法Monodepth2。 太长不看版： 1、提出minmum loss在解决multi-view时存在的遮挡问题，指出应该取multi-view中的最小的光度误差，而不是对误差取平均，这是因为当合成图像某处存在遮挡时候，会造成合成图像产生较大的光度误差，而影响模型训练。 2、提出一种multi-scale采样的方法，对low-level的深度图，采用先upsample到原图大小再进行变换的方法，这样.
深度学习中loss的大小
07-25
在深度学习中，loss的大小通常用来衡量模型的训练效果和优化目标的达成程度。loss的大小取决于具体的损失函数和训练数据。不同的损失函数有不同的计算方式和目标，因此loss的大小也会有所不同。 引用\[1\]中提到了一些常见的损失函数，如Focal Loss、IOU Loss、Softmax Loss等。这些损失函数在目标检测、分类和分割等任务中被广泛使用。其中，Focal Loss主要用于解决目标检测中正负样本比例失衡的问题，IOU Loss用于衡量预测框与真实框之间的重叠程度，Softmax Loss用于分类任务。 由于不同的损失函数具有不同的计算方式和目标，因此它们的loss大小也会有所不同。一般来说，loss的大小越小表示模型的拟合程度越好，即模型对训练数据的预测结果与真实标签更接近。但是，具体的loss大小还需要结合具体的任务和数据集来进行分析和解释。 总之，深度学习中loss的大小是衡量模型训练效果和优化目标达成程度的重要指标，不同的损失函数和任务会导致不同的loss大小。 #### 引用[.reference_title] - *1* *2* *3* *5* [深度学习基础loss和目标检测loss总结](https://blog.csdn.net/qq_36523492/article/details/112789110)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *4* [深度学习——知识点总结3(损失函数Loss)](https://blog.csdn.net/baobei0112/article/details/95060370)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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