LightDepth : une approche efficace en ressources pour l'estimation de profondeur face à la rareté des vérités terrain grâce à l'apprentissage curriculaire

Les avancées dans les réseaux de neurones permettent de relever des tâches complexes de vision par ordinateur, telles que l'estimation de profondeur des scènes extérieures, avec une précision sans précédent. Des recherches prometteuses ont déjà été menées dans le domaine de l'estimation de profondeur. Toutefois, les approches actuelles sont très exigeantes en ressources computationnelles et ne tiennent pas compte des contraintes de ressources des dispositifs autonomes, tels que les robots et les drones. Dans ce travail, nous proposons une méthode rapide et économe en énergie pour l'estimation de profondeur. Notre approche repose sur un apprentissage basé sur un curriculum, indépendant du modèle, pour l'estimation de profondeur. Nos expérimentations montrent que la précision de notre modèle est comparable à celle des modèles de pointe, tout en offrant un temps de réponse supérieur de 71 % à celui des autres modèles. Tous les codes sont disponibles en ligne à l'adresse suivante : https://github.com/fatemehkarimii/LightDepth.