论文笔记_S2D.29_2017_CVPR_多尺度连续CRFs作为序列深度网络的单目深度估计

基本情况

• 题目：Multi-Scale Continuous CRFs as Sequential Deep Networks for Monocular Depth Estimation
• 引用：Xu, D., Ricci, E., Ouyang, W., Wang, X., & Sebe, N. (2017). Multi-scale continuous crfs as sequential deep networks for monocular depth estimation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 5354-5362).
• 开源代码：https://github.com/danxuhk/ContinuousCRF-CNN.git

摘要

本文从单个静止图像中解决了深度估计的问题。 受近期多尺度卷积神经网络（CNN）工作的启发，我们提出了一个深度模型，它融合了从多个CNN侧输出得到的补充信息。 与以前的方法不同，通过连续条件随机场（CRF）进行整合（使用连续CRFs集成前端CNN的多个侧输出映射）。 特别是，我们提出了两种不同的变体，一种基于多个CRF的级联，另一种基于统一的图形模型。 通过设计连续CRF的平均场更新的新型CNN实现，我们表明两个提出的模型可以被视为序列深度网络，并且训练可以端到端地执行。 通过广泛的实验评估，我们证明了所提出方法的有效性，并