Author: 한 대찬
[TIP2021] MLDA-Net: Multi-Level Dual Attention-Based Network for Self-Supervised Monocular Depth Estimation
이번에도 어김없이 Self supervised depth estimation 논문을 들고 오게 되었습니다. 이번 논문은 Conference 논문이 아닌 journal 논문입니다. 이 논문 또한 저번에 리뷰한 논문 (DDV) 와…
[CVPR2020]Self-supervised Monocular Trained Depth Estimation using Self-attention and Discrete Disparity Volume
이번에 리뷰할 논문은 Self-supervised monocular depth estimation에 self-attention과 Discrete Disparity Volume이라는 방식을 제안한 논문을 가져와 봤습니다. 이 논문은 현재 Depth estimation model을 제안한 방법론들 중에서…
Understanding SSIM
Pixel Level prediction 방법론에서 영상과 영상을 비교할때 제일 많이 사용되고 있는 방법론인 SSIM을 좀 더 자세히 이해하고 문제를 찾기 위해서 이 논문을 읽게 되었습니다. Self…
Unsupervised Depth and Ego-motion Estimation for Monocular Thermal Video using Multi-spectral Consistency Loss
Self-supervised depth estimation은 현재 KITTI나 NYU와 같은 벤치마크에서 높은 성능을 보이며 곧 있으면 Supervised 방법론과도 비교를 할 수 있는 순간까지 왔습니다. 하지만 이 모든 연구의…
[CVPR2021] Sparse Auxiliary Networks for Unified Monocular Depth Prediction and Completion
또다시 PackNet 을 사용한 논문을 들고 왔습니다. 원래 계획은 VIT 다음 논문을 가져올려했는데 노선을 바꾸고 현재 KITTI dataset에서 SOTA를 보여주고 있는 PackNet-SAN을 들고 왔습니다. 여태까지는…
Vision Transformers for Dense Prediction
9월달 논문 제작을 위해 저희 미래국방 팀은 Transformer를 이용한 Depth estimation을 사용하기로 했습니다. 현재 KITTI 데이터셋에서 SOTA를 달성한 것들이 Transformer이기도 하며 대 Transformer 시대에 편승하기…
“GBNet: Gradient Boosting Network for Monocular Depth Estimation,” IEEE International Conference on Control, Automation and System (ICCAS), Oct 2021.
GBNet Gradient Boosting Network for Monocular Depth Estimation.pdf *1st and 3rd place at CVPR 2021-Dense Depth for Autonomous Driving (DDAD) challenge.
Robust Semi-Supervised Monocular Depth Estimation with Reprojected Distances
저는 cvpr challenge 이후 semi-supervised depth estimation과 self-supervised depth estimation 연구들을 계속 서베이 하고 있는 중입니다. semi supervised는 저번 리뷰에서도 말했듯이 sparse data를 취득하는 lidar와…
CVPR 2021 Challenge 참가기
이번 CVPR2021 workshop “Frontiers of Monocular 3D Perception” 에 참여하여 운좋게도 Semi-supervised 부문에서 상을 받게되었습니다. 그와 관련된 참가기를 작성해보겠습니다 1학기 내내 PatchNetVLAD를 이용한 Colorization 연구를…
최신 댓글