LightDepth: Ein ressourcensparender Ansatz zur Tiefenschätzung zur Bewältigung von Sparsamkeit der Wahrheitswerte mittels Curriculum-Learning

Fortschritte in neuronalen Netzen ermöglichen die Bearbeitung komplexer Aufgaben im Bereich des Computersehens, wie beispielsweise die Tiefenschätzung von Außenbereichen, mit bisher ungekannter Genauigkeit. Versprechende Forschungsarbeiten wurden bereits auf dem Gebiet der Tiefenschätzung geleistet. Allerdings sind aktuelle Ansätze rechenintensiv und berücksichtigen nicht die Ressourcenbeschränkungen autonomer Geräte wie Roboter und Drohnen. In dieser Arbeit präsentieren wir einen schnellen und energiesparenden Ansatz zur Tiefenschätzung. Unser Ansatz basiert auf einem modellunabhängigen, kurrikulumbasierten Lernverfahren für die Tiefenschätzung. Unsere Experimente zeigen, dass die Genauigkeit unseres Modells mit den derzeit besten Modellen vergleichbar ist, während seine Reaktionszeit andere Modelle um 71 % übertrifft. Der gesamte Quellcode ist online unter https://github.com/fatemehkarimii/LightDepth verfügbar.