基于元学习的双目深度估计在线适应算法

双目深度估计的在线适应是一个有挑战性的问题,其要求模型能够在不断变化的目标场景中在线连续地自我调整并适应于当前环境.为处理该问题,提出一种新的在线元学习适应算法(Online meta-learning model with adaptation,OMLA),其贡献主要体现在两方面:首先引入在线特征对齐方法处理目标域和源域特征的分布偏差,以减少数据域转移的影响;然后利用在线元学习方法调整特征对齐过程和网络权重,使模型实现快速收敛.此外,提出一种新的基于元学习的预训练方法,以获得适用于在线学习场景的深度网络参数.相关实验分析表明,OMLA和元学习预训练算法均能帮助模型快速适应于新场景,在KITT...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 49; no. 7; pp. 1446 - 1455
Main Authors 张振宇, 杨健
Format Journal Article
LanguageChinese
Published 高维信息与感知教育部重点实验室 南京 210094 01.07.2023
江苏省社会安全图像与视频理解重点实验室 南京 210094
南京理工大学计算机科学与工程学院PCA实验室 南京 210094
Subjects
深度估计
元学习
域适应算法
在线学习
深度神经网络
meta-learning
Depth estimation
domain adaptation
deep neural network
online learning
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c200286

Cover

More Information
Summary:双目深度估计的在线适应是一个有挑战性的问题,其要求模型能够在不断变化的目标场景中在线连续地自我调整并适应于当前环境.为处理该问题,提出一种新的在线元学习适应算法(Online meta-learning model with adaptation,OMLA),其贡献主要体现在两方面:首先引入在线特征对齐方法处理目标域和源域特征的分布偏差,以减少数据域转移的影响;然后利用在线元学习方法调整特征对齐过程和网络权重,使模型实现快速收敛.此外,提出一种新的基于元学习的预训练方法,以获得适用于在线学习场景的深度网络参数.相关实验分析表明,OMLA和元学习预训练算法均能帮助模型快速适应于新场景,在KITTI数据集上的实验对比表明,本文方法的效果超越了当前最佳的在线适应算法,接近甚至优于在目标域离线训练的理想模型.
ISSN:0254-4156
DOI:10.16383/j.aas.c200286