Multi-Skalige kontinuierliche CRFs als sequenzielle Deep-Networks für monokulare Tiefenschätzung

Dieses Papier behandelt das Problem der Tiefenschätzung aus einem einzelnen Stillbild. Inspiriert von jüngsten Arbeiten zu mehrskaligen Faltungsneuralnetzen (CNNs) schlagen wir ein tiefes Modell vor, das komplementäre Informationen aus mehreren CNN-Seitenoutputs fusioniert. Im Gegensatz zu früheren Methoden wird die Integration durch kontinuierliche bedingte Markow-Netze (CRFs) erreicht. Insbesondere schlagen wir zwei verschiedene Variationen vor: eine basiert auf einer Kaskade von mehreren CRFs, die andere auf einem vereinten graphischen Modell. Durch die Entwicklung einer neuen CNN-Implementierung für Mean-Field-Updates für kontinuierliche CRFs zeigen wir, dass beide vorgeschlagenen Modelle als sequentielle tiefe Netze betrachtet werden können und dass das Training end-to-end durchgeführt werden kann. Anhand umfangreicher experimenteller Evaluierungen demonstrieren wir die Effektivität des vorgeschlagenen Ansatzes und etablieren neue Stand der Technik-Ergebnisse in öffentlich verfügbaren Datensätzen.