【CVPR'20】Uncertainty-Aware CNNs for Depth Completion: Uncertainty from Beginning to End
1. 摘要
近年来,深度学习研究的重点主要集中在提高预测精度。然而,这往往是以增加复杂性为代价的,从而引发了关于深度网络可解释性和可靠性的担忧。最近,人们越来越关注解开深度网络的复杂性并量化其在不同计算机视觉任务中的不确定性。然而,深度补全任务并未受到足够的关注,尽管深度传感器本身具有固有的噪声特性。在本研究中,我们从稀疏且噪声的输入开始,一直到最终预测,专注于深度数据的不确定性建模。
我们提出了一种新颖的方法,通过基于归一化卷积神经网络(NCNN)的自监督学习方式,学习输入置信度估计器来识别输入中的干扰测量值。此外,我们提出了一种概率版的NCNN,它能够为最终预测产生统计意义上的不确定性度量。我们在KITTI数据集上评估了我们的方法,在预测精度、不确定性度量的质量以及计算效率方面超越了所有现有的贝叶斯深度学习方法。此外,我们的小型网络仅使用67万个参数,与拥有数百万参数的传统方法表现相当。这些结果强有力地证明,将网络划分为并行的不确定性和预测流可以实现最先进的性能,同时提供准确的不确定性估计。