CoopNet improves self-supervised depth, odometry, and optical flow predictions

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-08 16:12

研究人员开发了CoopNet，一种用于增强深度、里程计和光流预测的自监督学习的新方法。该方法动态调整梯度分配，以确保共训练网络之间的学习进度平衡。CoopNet采用混合损失函数来模拟光度重建误差，特别关注来自运动物体的像素，因为这些像素的深度和光流预测往往会发散。在KITTI和CityScapes数据集上的评估表明，CoopNet在这些预测任务中取得了最先进或相当的性能。 AI

影响引入了一种新技术，用于改进计算机视觉任务的多任务自监督学习，有可能提高自动驾驶和机器人领域的性能。

排序理由该集群包含一篇详细介绍自监督学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

CoopNet improves self-supervised depth, odometry, and optical flow predictions

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · David Filliat · 2026-05-08 16:12

Rebalancing gradient to improve self-supervised co-training of depth, odometry and optical flow predictions

We present CoopNet, an approach that improves the cooperation of co-trained networks by dynamically adapting the apportionment of gradient, to ensure equitable learning progress. It is applied to motion-aware self-supervised prediction of depth maps, by introducing a new hybrid l…

报道来源 [1]

Rebalancing gradient to improve self-supervised co-training of depth, odometry and optical flow predictions

相关实体

相关话题