شبكة التصنيف الرتبية العميقة لتقدير العمق الأحادي

تقدير العمق الأحادي البؤرة، والذي يلعب دورًا حاسمًا في فهم هندسة المشهد ثلاثي الأبعاد، هو مشكلة غير محددة بشكل جيد. حققت الطرق الحديثة تحسينات كبيرة من خلال استكشاف المعلومات على مستوى الصورة والميزات التراتبية من الشبكات العصبية التلافيفية العميقة (DCNNs). تقوم هذه الطرق بنمذجة تقدير العمق كمشكلة ترجيعية وتدريب شبكات الترجيع عن طريق تقليل متوسط الخطأ التربيعي، مما يعاني من التقارب البطيء والحلول المحلية غير الرضية. بالإضافة إلى ذلك، تعتمد شبكات تقدير العمق الحالية على عمليات التجميع المكاني المتكررة، مما يؤدي إلى خرائط ميزات ذات دقة منخفضة غير مرغوب فيها. للحصول على خرائط عمق عالية الدقة، يتطلب الأمر استخدام اتصالات قفزية أو شبكات تفكيك متعددة الطبقات، مما يزيد من تعقيد تدريب الشبكة ويستهلك الكثير من الحسابات. لحل هذه المشكلات أو على الأقل تقليلها بشكل كبير، نقدم استراتيجية تقسيم متزايدة الفواصل (SID) لتقسيم العمق وإعادة صياغة تعلم شبكة العمق كمشكلة ترجيعية ترتيبية. من خلال تدريب الشبكة باستخدام خسارة الترجيع العادية، يحقق طرحنا دقة أعلى بكثير و\dd{التقارب السريع بالتوازي}. علاوة على ذلك، نعتمد بنية شبكة متعددة المقاييس التي تتجنب التجميع المكاني الغير ضروري وتلتقط المعلومات المتعددة المقاييس بشكل متوازي.الطريقة الموصوفة في هذا البحث حققت أفضل النتائج في أربعة مقاييس تحدي صعبة وهي: KITTI [17]، ScanNet [9]، Make3D [50]، وNYU Depth v2 [42]، وحازت على المركز الأول في تحدي الرؤية القوية لعام 2018. تم توفير الكود في الرابط التالي: https://github.com/hufu6371/DORN.