论文笔记_S2D.71_ICCV2021_单目深度估计的可解释深度网络研究

「爱情、让人受尽委屈。」 2022-09-04 07:59 195阅读 0赞

# 基本情况 #

*  **标题**：Towards Interpretable Deep Networks for Monocular Depth Estimation
 *  **作者**：Zunzhi You,Yi-Hsuan Tsai,Wei-Chen Chiu,Guanbin Li
 *  **机构**：Sun Yat-sen University, NEC Laboratories America, National Chiao Tung University
 *  **备注**：Accepted by ICCV2021
 *  **链接**：https://arxiv.org/abs/2108.05312
 *  源代码和模型：[https://github.com/youzunzhi/InterpretableMDE][https_github.com_youzunzhi_InterpretableMDE]
 *  参考：[https://mp.weixin.qq.com/s/ihUDUArf7gUHQjlaaiKXaQ][https_mp.weixin.qq.com_s_ihUDUArf7gUHQjlaaiKXaQ]

# **摘要** #

用于单目深度估计（MDE）的深度网络（Deep Network for Monocular Depth Estimation，简称MDE）近年来取得了良好的性能，进一步了解这些**网络的可解释性**具有重要意义。现有的方法试图通过调查视觉线索来提供事后解释，这可能无法探索深层网络学习到的内部表征。在本文中，我们发现网络的一些**隐藏单元**在一定**深度范围内**是**选择性**的，因此这种行为可以作为解释内部表示的一种方式。根据我们的观察，我们通过隐藏单元的深度选择性来量化深层MDE网络的可解释性。此外，我们还提出了一种在不改变原有结构的情况下，通过为每个单元分配一个深度范围来训练可解释MDE深度网络的方法。实验结果表明，我们的方法能够通过大幅度提高深度MDE网络单元的深度选择性来提高深度MDE网络的可解释性，同时不会损害甚至提高深度估计精度。我们进一步提供了一个综合分析，以显示选定单元的可靠性，我们的方法在不同层、模型和数据集上的适用性，以及模型误差分析的演示。

# 引言 #

//todo

[https_github.com_youzunzhi_InterpretableMDE]: https://github.com/youzunzhi/InterpretableMDE
[https_mp.weixin.qq.com_s_ihUDUArf7gUHQjlaaiKXaQ]: https://mp.weixin.qq.com/s/ihUDUArf7gUHQjlaaiKXaQ