目录
- [1] Context Prior for Scene Segmentation
- [2] Deep Stereo using Adaptive Thin Volume Representation with Uncertainty Awareness
- [3] Bi3D: Stereo Depth Estimation via Binary Classification
- [4] SDC-Depth: Semantic Divide-and-Conquer Network for Monocular Depth Estimation
- [5] 3D Packing for Self-Supervised Monocular Depth Estimation
[1] Context Prior for Scene Segmentation
- context聚合方法有两类：1.特征金字塔FCN，捕获同类信息，忽略了不同类信息。2.注意力机制，有选择地聚合信息，context信息混乱。
- 本文提出，金字塔池化模块。
[2] Deep Stereo using Adaptive Thin Volume Representation with Uncertainty Awareness
- 多目匹配，深度估计
- 解决的是memory的问题（爆显存啥的）
- 使用不确定估计，得到采样范围的大小。
- 分辨率低时，均匀采样，指导后续高分辨率的操作。
[3] Bi3D: Stereo Depth Estimation via Binary Classification
- 领域核心问题：运算效率、高分辨率显存爆炸
- 目前这个领域的精度很难提升
- 不确定的东西如何检测（无纹理、透明区域）
[4] SDC-Depth: Semantic Divide-and-Conquer Network for Monocular Depth Estimation
- 单目深度估计
- 本文提出一个新的深度估计网络，提出了Packing和Unpacking，解决了strding和pooling造成细节丢失的问题。
- 以前的方法没有“绝对尺度”，本文添加了Velocity弱监督。
- 本文还提出了一个新的自动驾驶数据集。
[5] 3D Packing for Self-Supervised Monocular Depth Estimation
- 单目深度估计
- 两步
- 对每个语义类别分别解码，实例分割->语义分割
- 为什么引入语义分割的信息？
- 使用更多的信息，但是也带来新的限制，其他model没用这些信息，无法证明本文方法的有效性。