基于深度神经网络的自我监督单眼深度估计的调查
概括
这项调查审查了自我监督的单眼深度估计方法,这些方法可以从单个图像中预测深度,而没有地面真相数据. 它对89个作品进行了分类,并分析了用于自动驾驶等应用的当前技术.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 单眼深度估计可以从单个图像中预测场景深度,这对于机器人,自动驾驶和AR至关重要.
- 自主监督的方法正在获得吸引力,因为它们只能使用图像进行训练,从而消除了对地面真实深度地图的需求.
研究的目的:
- 为最近在自主监督单眼深度估计方面的进展提供全面的调查.
- 系统地审查和分类该领域的现有文献.
主要方法:
- 一个彻底的文献综述和对89个现有关于自主监督单眼深度估计的作品的分类.
- 分析公共数据集和在现场常用的评估指标.
- 最先进方法的比较性能分析.
主要成果:
- 89种自我监督的单眼深度估计方法的分类和审查.
- 介绍标准数据集和评估指标.
- 领先技术的性能比较和分析.
结论:
- 该调查解决了自我监督单眼深度估计缺乏全面审查的问题.
- 确定了现有挑战,并概述了该领域潜在的未来研究方向.


