スパーシティ不変CNNs

本論文では、疎な入力データに対する畳み込みニューラルネットワークの動作について考察し、特に疎なレーザースキャンデータからの深度アップサンプリングへの応用に焦点を当てます。まず、伝統的な畳み込みネットワークが、欠損データの位置情報が提供されても疎なデータに対して性能が著しく低下することを示します。この問題を解決するために、我々は単純ながら効果的な疎な畳み込み層を提案します。この層は畳み込み演算中に欠損データの位置情報を明示的に考慮します。我々は、提案したネットワークアーキテクチャが様々なベースライン手法と比較して合成実験および実際の実験において優れた利点を持つことを示します。密度型ベースラインと比べて、提案された疎な畳み込みネットワークは新しいデータセットに対して良好に一般化し、データの疎さのレベルに依存しない特性を持っています。評価のために、KITTIベンチマークから93,000枚の深度注釈付きRGB画像で構成される新たなデータセットを導出しました。このデータセットは、困難な実世界環境における深度アップサンプリングおよび深度予測技術の学習と評価を可能とし、公開時に利用可能となります。