本文分析了论文：Semi-Supervised Deep Learning for Monocular Depth Map Prediction
。
贡献
- 提出了一个半监督的深度估计算法：有监督loss + 无监督loss。
分析
- 激光雷达数据的问题：
- 稀疏
- 噪声的影响
- 标定不准确的影响
- 有监督loss 和 无监督loss：
- 使用激光雷达获取的稀疏的有效点做有监督loss训练。smooth_l1。
- 使用其它的像素点构建无监督loss。通过左右图像 + warp一致构建loss。
- 为了保证边缘的锐利度，根据边缘有构建了一个loss。
算法框架和无监督的双目算法基本一致，只是加了有监督loss，变成了半监督算法。
- 损失函数没有什么新意，在其他论文中都有出现。不管是有监督的smooth_l1，还是无监督loss。
- 评价准则也是常用的评价方法。
~除了半监督，没啥新奇的地方。~
资源
- 代码
- 论文笔记-深度估计(1)Depth Map Prediction from a Single Image using a Multi-Scale Deep Network
- 论文笔记-深度估计(2) Fully Convolutional Networks for Semantic Segmentation
- 论文笔记-深度估计(3)Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale…
- 论文笔记-深度估计(4) Semi-Supervised Deep Learning for Monocular Depth Map Prediction
