.png){kind=icon}
返回
PPEA-Depth: Progressive Parameter-Efficient Adaptation for Self-Supervised Monocular Depth Estimation
.png){kind=icon}
OA
AI
DOI：10.1609/aaai.v38i2.27927.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自监督单目深度估计在自动驾驶和机器人领域具有显著重要性。然而，对自监督的依赖引入了强烈的静态场景假设，从而在动态场景（这些场景在大多数现实情况中普遍存在）中实现最佳性能方面带来了挑战。为解决这些问题，我们提出了PPEA-Depth，一种渐进式参数高效适应方法，用于迁移预训练图像模型进行自监督深度估计。训练包含两个连续阶段：首先在一个主要由静态场景组成的训练集上进行初始训练，随后扩展到包含动态场景的更复杂数据集。为促进这一过程，我们设计了紧凑的编码器和解码器适配器，以实现参数高效微调，使网络能够有效适应。这些适配器不仅保留了预训练图像模型的泛化模式，还将前一阶段获得的知识保留到后续阶段。大量实验表明，PPEA-Depth在KITTI、CityScapes和DDAD数据集上达到了当前最佳性能。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息