A thorough analysis of unsupervised depth and ego-motion estimation

Derinlik kestirimi konusunda güdümsüz derinlik ve hareket kestirimi yöntemlerinin eş zamanlı eğitimi ile geçmiş yıllarda eşsiz bir başarı sağlanmıştır. Bu çalışmada ise böyle bir yaklaşımın detaylı bir analizi yapılmıştır. Öncelikle, COLMAP gibi klasik yöntemler ile yeni güdümsüz öğrenme tabanlı yaklaşımların hareket kestirimi performansları karşılaştırılmıştır. Simülasyon sonuçları Demet Düzeltimi tabanlı yöntemlerin üstünlüğüne işaret etmektedir. Sonra, hareket kestirimi yapay sinir ağına girdi olarak verilen kare sayısının etkileri detaylıca incelenmiştir. Son teknoloji yaklaşımların fazladan kare sağlanarak iyileştirilebileceği bu aşamadaki deneyler ile gösterilmiştir. Son olarak, bir sahnedeki farklı semantik nesnelerden hareket ve derinlik kestirmi sırasında ayrı ayrı yararlanılmıştır. Bu amaçla ise önceden eğitilmiş bölütleme algoritmaları kullanılmıştır. Bir sahnenin farklı semantik sınıflarına ait farklı hareket kestirimlerinin öğrenilebilen katsayılar ile doğrusal kombinasyonunu almanın etkileri araştırılmıştır. Farklı semantik sınıflara ait olan hareket ve maliyetlerin öğrenilebilen katsayılar ile doğrusal kombinasyonunun alınması ile son teknoloji ile karşılaştırılabilir sonuçlar elde edilmiştir.