CNN을 통한 신뢰도 전파를 이용한 유도된 희소 깊이 회귀

일반적으로 컨벌루션 신경망(CNNs)은 일반 카메라에서 생성된 데이터와 같이 규칙적인 격자 상의 데이터를 처리합니다. 희소하고 불규칙하게 배치된 입력 데이터를 위한 CNN 설계는 자율 주행, 로보틱스, 감시 등 다양한 응용 분야에서 여전히 해결되지 않은 연구 문제입니다. 본 논문에서는 고도로 희소한 입력을 가지며 관련 연구보다 네트워크 매개변수의 수가 적은 대수적 제약 조건이 있는 정규화된 컨벌루션 레이어를 제안합니다. 또한, 컨벌루션 연산으로부터 신뢰도를 결정하고 이를 연속적인 레이어로 전파하는 새로운 전략을 제안합니다. 우리는 동시에 데이터 오류를 최소화하면서 출력 신뢰도를 최대화하는 목적 함수도 제안합니다. 구조 정보를 통합하기 위해, 우리의 정규화된 컨벌루션 네트워크 프레임워크에서 깊이(depth)와 RGB 정보를 결합하기 위한 융합 전략을 조사하였습니다. 또한, 출력 신뢰도를 보조 정보로 사용하여 결과를 개선하는 방법을 소개합니다. 우리의 정규화된 컨벌루션 네트워크 프레임워크의 성능은 장면 깊이 완성(scene depth completion) 문제에 대해 시연되었습니다. KITTI-Depth 및 NYU-Depth-v2 데이터셋에서 포괄적인 실험을 수행한 결과, 제안된 접근 방식이 기존 최신 방법론보다 약 1-5%의 매개변수만 필요하면서도 우수한 성능을 달성함을 명확히 입증하였습니다.