【移动端实时深度估计】MobileDepth: Efficient Monocular Depth Prediction on Mobile Devices
#论文推荐# 本文来自伦敦玛丽女王大学。这篇论文提出了一个在移动端进行实时深度估计的全卷积模型，在NYU Depth V2数据集上能够实现82.7%的δ1准确率，并能在ARM A76 CPU上以62ms的实时速度运行，同时作者还开发了一个配套的安卓应用，能够实时对室内场景进行深度估计并进行benchmark评测。具体地，本文提出的网络采用带有跳层连接的编码-解码结构，其中编码器采用RegNetY 06，解码器采用分离合并以及通道洗牌的输出模块（split-concatenate shuffle block）。作者通过消融实验对多种编码结构进行了实验分析，结果表明采用RegNetY 06能够达到速度和准确率的最佳平衡。在解码结构中，通过实验表明去掉BN能够加速模型收敛，采用最近邻插值具有最佳平衡，最终的编码结构采用逐点相乘的机制，并引入注意力机制。另外，作者对训练的损失函数进行了详细探索，发现采用逆深度值作为标签训练能够取得更好的效果，最终的损失函数采用SSIM损失，边缘平滑损失以及BerHu损失的混合损失比采用L1损失效果要好。本文对于移动端实时深度估计的工业化实现具有较好的指导意义。
论文链接：http://t.cn/A6GmJXUS