论文笔记_S2D.73_ICCV2021_单目深度估计的可解释深度网络研究

基本情况

• 标题：Towards Interpretable Deep Networks for Monocular Depth Estimation
• 作者：Zunzhi You,Yi-Hsuan Tsai,Wei-Chen Chiu,Guanbin Li
• 机构：Sun Yat-sen University, NEC Laboratories America, National Chiao Tung University
• 备注：Accepted by ICCV2021
• 链接：https://arxiv.org/abs/2108.05312
• 源代码和模型：GitHub - youzunzhi/InterpretableMDE: Code repo for "Towards Interpretable Deep Networks for Monocular Depth Estimation" paper.
• 参考：计算机视觉学术速递[8.12]

摘要

        用于单目深度估计（MDE）的深度网络（Deep Network for Monocular Depth Estimation，简称MDE）近年来取得了良好的性能，进一步了解这些网络的可解释性具有重要意义。现有的方法试图通过调查视觉线索来提供事后解释，这可能无法探索深层网络学习到的内部表征。在本文中，我们发现网络的一些隐藏单元在一定深度范围内是选择性的，因此这种行为可以作为解释内部表示的一种方式。根据我们的观察，我们通过隐藏单元的深度选择性来量化深层MDE网络的可解释性。此外，我们还提出了一种在不改变原有结构的情况下，通过为每个单元分配一个深度范围来训练可解释MDE深度网络的方法。实验结果表明，我们的方法能够通过大幅度提高深度MDE网络单元的深度选择性来提高深度MDE网络的可解释性，同时不会损害甚至提高深度估计精度。我们进一步提供了一个综合分析，以显示选定单元的可靠性，我们的方法在不同层、模型和数据集上的适用性，以及模型误差分析的演示。

引言

//todo