[Mono Depth] 여러 이미지에서 Error 및 Clip Los 테스트

Unsupervised Learning of Monocular Depth Estimation with Bundle Adjustment, Super-Resolution and Clip Loss

Bundle Adjust ment, Super Resolution and Clip Los는 이 논문의 참신성입니다.
참신성
번들 조정
local smoothness와 local smoothness loss를 최소화하는 것을 묶음조정이라고 합니다.일반적인 트레이닝과 다르지 않으니 특별히 신경 쓸 필요가 없다.
유일한 차이점은 Depth와 Pose를 3장 이상의 이미지로 추정해 Los를 계산하는 것이다.
* 첸나이미 차량의 이동량이 많은 쪽은 딥시가 추정한 에로르를 계산하기 쉽다.인상은 streo depth의 baseline 연장된 느낌.
Super-Resolution
대부분의 Depth Map은 4분의 1가량 Depth를 추정한 뒤 Bilinear Interpolation에서 오리지널 사이즈로 확대했다.
그러나 전망과 전망의 Depth에 대해interpolation을 진행하면 예상 값이 잘못될 수 있습니다.
따라서 오리지널 사이즈의 피처 맵을 Low Resolution의 딥 맵에 결합해 최종 딥 맵을 추정한다.
Clip Loss

si가 전체(S)의 q(95%) 이상의 Error인 경우 Error는 95%의 Error 값으로 클립을 나타냅니다.
≈top5%의 error라면 error 무시
이렇게 하면 Error는 너무 큰 소음을 무시할 수 있다.일반적으로 Occlusion으로 추정됩니다.
결실

*w/o는 without
클립 로스, 슈퍼 리소스, 크로스-sequence geometric consitency loss 모두 정밀도를 높였다.
결론
cliposs에서 소음을 무시하는 게 좋을 것 같아요.
・여러 장의 그림으로 에로르를 계산하면 정밀도를 높일 수 있다.
참고 문헌
Unsupervised Learning of Monocular Depth Estimation with Bundle Adjustment, Super-Resolution and Clip Loss
https://arxiv.org/pdf/1812.03368.pdf