基于数据增强的半监督单目深度估计框架

摘要

为解决监督学习在单目深度估计中需要大量标签数据的问题，提出了一种基于教师-学生模型的半监督深度估计框架AugDepth。其通过对数据进行扰动，训练模型学习扰动前、后的深度一致性。首先，采用平滑随机强度增强方法从连续域中采样强度，随机选择多个操作以增加数据随机性，并混合强弱增强输出，防止过度扰动。然后，考虑到不同无标签样本的训练难度不同，在通过Cutout提高模型对全局信息推理的前提下，根据对无标签样本的置信度，自适应地调整Cutout策略，以提高模型的泛化和学习能力。在KITTI和NYU-Depth数据集上的实验结果表明：AugDepth能够显著提高半监督深度估计的准确性，并在有标签数据稀缺的情况下表现出良好的鲁棒性。

关键词

计算机应用 / 半监督学习 / 数据增强 / 单目图像 / 深度估计