论文阅读 SPN和CSPN


SPN 论文链接
CSPN 论文链接

Spatial Propagation Network

  • Linear Propagation as Spatial Diffusion

我们在空间传播网络的同时应用了线性变换,其中矩阵在四个固定方向上进行行/列扫描:从左到右、从上到下还有 verse-vise 。我们以从左到右的方向为例进行下面的讨论。其他方向以相同的方式独立处理。
在这里插入图片描述
在这里插入图片描述

  • Learning Data-Driven Affinity

在这里插入图片描述

Depth Estimation via Affinity Learned with Convolutional Spatial Propagation Network

摘要

  • 我们提出了一种简单而有效的卷积空间传播网络(CSPN)学习深度预测的亲和矩阵.

  • 具体来说,我们采用了一种有效的线性传播模型,其中传播使用循环卷积运算的方式执行,并且相邻像素之间的affinity通过深度卷积神经网络(CNN)学习

  • 我们在两个单张图像进行深度估计的任务中应用了CSPN

  1. Refine 已有SOTA的输出
  2. 在传播过程中嵌入深度采样,把稀疏的深度图变成密集的深度图

介绍

  • SPN是串行的
  • 提出了CSPN,速度和准确率都更高,并且不牺牲理论支持
  • 我们将CSPN扩展到使用传播过程中提供的稀疏深度将稀疏深度样本转换为密集深度图的任务。它保证稀疏输入深度值保留在最终深度贴图中。它实时运行,非常适合机器人技术和自动驾驶应用,在这些应用中,激光雷达的稀疏深度测量可以与图像数据融合

相关工作

深度估计和强化/细化一直以来是计算机视觉和机器人领域的核心问题,下面我们从以下几个方面来总结概况:

  • Single view depth estimation via CNN and CRF(基于CNN和CRF的单视点深度估计)
    用于测量相邻像素相干性的亲和力是手动设计的。
  • Depth Enhancement
  • Learning affinity for spatial diffusion.
  • Depth estimation with given sparse samples

作者的方法

  • 我们将问题描述为各向异性扩散过程,扩散张量直接从给定图像通过深度CNN学习,从而指导输出的细化。

Convolutional Spatial Propagation Network

。。。。。。。待续

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SPN(差分隐私机制)和PTN(规范隐私机制)是保护个人隐私的两种不同方法。它们的区别主要体现在以下几个方面。 首先,差分隐私机制(SPN)通过添加噪声来保护个人数据。在对原始数据进行处理时,SPN会添加一些随机噪声,使得处理后的数据与原始数据之间存在一定的差异。这种差异防止了个人身份或敏感信息的泄露。然而,由于添加了噪声,处理的数据可能会失去一定的精确性。 而规范隐私机制(PTN)则通过限制个人数据的使用和共享来保护隐私。PTN使用一系列规则和政策来确保个人数据的合法和适当使用,同时限制数据的访问范围和传播。这种方法更加注重数据的访问和共享的过程中的合规性,以减少个人数据的滥用和泄露的风险。 此外,SPN和PTN在数据处理的过程中也有所不同。SPN主要关注个体之间的差异性,通过添加随机噪声来保护个人数据。而PTN更加注重数据的使用和传播过程中的规范性,并采用诸如数据加密、访问控制和用户认证等技术手段来确保个人数据的安全性和隐私保护。 总而言之,SPN和PTN是两种不同的隐私保护方法。SPN通过添加噪声来保护个人数据的隐私,而PTN则通过限制数据的使用和共享,以及采取相应的规范措施来保护个人数据的隐私。选择使用哪种方法取决于具体的隐私保护需求和数据处理的目标。

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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