論文タイトル:DeepSFM: Structure From Motion Via Deep Bundle Adjustmentのまとめ

B5847cbd08f480a22d14c441dc68cbf1?s=47 sunao11
September 13, 2020

論文タイトル:DeepSFM: Structure From Motion Via Deep Bundle Adjustmentのまとめ

論文タイトル:DeepSFM: Structure From Motion Via Deep Bundle Adjustmentの自分なりのまとめ

Shoji Sonoyamaさんとの共同。

ECCV[European Conference on Computer Vision]2000survey

B5847cbd08f480a22d14c441dc68cbf1?s=128

sunao11

September 13, 2020
Tweet

Transcript

  1. ・複数枚の画像を入力とし,画像毎のDepthとPoseを推定する問題設定. ・Geometryを考慮したポーズ推定を行うことで少ない入力数と初期化時のノイズに対して 優れたロバスト性を達成した. DeepSFM: Structure From Motion Via Deep Bundle

    Adjustment まとめた人:Shoji Sonoyama, 宮城直(Sunao MIyagi) 従来手法と提案手法の違い
  2. 提案手法・新規性 ・SfMで考慮されていたGeometry情報を追加したDeepSFMを提案. ・[Depth/Pose] cost volumeそれぞれにGeometryな制約を追加し,DepthとPoseの整合 性を一致させることで性能を向上させた. 提案手法のネットワーク図

  3. 結果1 DeMoNデータセットでの評価 ・DeMoNデータセットの結果と他のデータセットとの比較 ・トラッキング対応を用いた動きと奥行きの評価指標

  4. 結果2 ETHデータセットでの評価 ・Structure from motion (SfM)手法により、従来のBAと新しいディープラーニング技術の両 方のメリットをもたらすことができる。 提案手法と既存手法との定量比較 提案手法と従来手法の定性比較

  5. +αの情報 ・著者コード(PyTorch):[https://github.com/weixk2015/DeepSFM] ・データセット:[https://github.com/weixk2015/DeepSFM/tree/master/dataset] ・project page:【https://weixk2015.github.io/DeepSFM/】 ・この研究室は毎年のようにCVPRに論文を通している 【https://ist.fudan.edu.cn/】 ・この論文は今後も引用されそう? 動画 ・https://www.youtube.com/watch?v=3SVC1uj1ePY