Semi-supervised iterative teacher-student learning for monocular depth estimation

Robotik alanındaki gelişmeler ve otonom araçlar, doğru derinlik ölçümlerine olan ihtiyacı artırmıştır. Derinlik tahmini, bilgisayar görüşü alanındaki en eski sorunlardan biridir. Derinlik birçok yöntem kullanılarak tahmin edilebilirken, bunu ucuz ve verimli bir şekilde yapmanın yolu uzun yıllar çalışılmıştır. Lidar sensörleri veya RGB-D kameralar kullanılarak yapılan derinlik ölçümleri doğru sonuçlar verse de, maliyet ve dar uygulanabilirlik nedeniyle çok etkili değildir. Öte yandan, derinliği tahmin etmek için derin öğrenme mimarilerinin kullanılması, diğer yöntemlere kıyasla daha verimli, daha ucuz ve sağlam bir çözüm sağlıyor gibi görünmektedir. Derin öğrenmedeki ilerlemeyle birlikte, monoküler derinlik tahmini problemi büyük ilgi gördü. Son zamanlarda, temsil öğrenme yöntemleri, tek görüntülerden derinlik tahmininde çok umut verici doğrulukta sonuçlar göstermektedir. Bu tezde, monoküler derinlik tahmini problemi için derin öğrenme tabanlı bir ağ mimarisi önerilmiştir. Ayrıca ağ, yarı denetimli bir şekilde yinelemeli bir öğretmen-öğrenci öğrenme yapısı ile eğitilmektedir. Öğrenci ağlarını öğretmen ağından daha iyi genelleştirmek için öğrenci ağlarının eğitimi sırasında gürültü enjekte edilmektedir. Değerlendirme sonuçlarına göre, önerilen modelimiz monoküler derinlik tahmininde son teknoloji doğruluğa ulaşmaktadır.