Detekcja głębi zdjęcia 2D przy pomocy sieci neuronowej na bazie danych uczących 2D i 3D

• Autorzy: Duszejko Paweł , Gloza Ignacy

Identyfikatory

DOI

10.15199/13.2021.12.2

Warianty tytułu

EN

2D image depth detection using a neural network based on 2D and 3D training data

• Języki publikacji: PL

Abstrakty

PL

Celem szacowania głębi jest uzyskanie przestrzennej sceny i trójwymiarowej perspektywy zdjęcia. W artykule przeprowadzono przegląd technik estymacji głębi z dwuwymiarowych obrazów ze szczególnym omówieniem możliwości użycia techniki deep learningu. Przedstawione zostały osiągnięcia w tej dziedzinie, możliwe podejścia do rozwiązania zagadnienia, jak również przykład implementacji.

EN

The purpose of depth estimation is to obtain the spatial scene and three-dimensional perspective of the photo. The article presents a review of depth estimation techniques from two-dimensional images with particular discussion on the possibility of using deep learning techniques. Achievements in this field, possible approaches to solving the problem, as well as an example of implementation will be presented.

Słowa kluczowe

PL

uczenie głębokie; konwolucyjne sieci neuronowe; mapa głębokości; stereoskopia; lidar

EN

deep learning; convolutional neural networks; depth map; stereoscopy; lidar

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2021
• Tom: Vol. 62, nr 12
• Strony: 8--11
• Opis fizyczny: Bibliogr. 15 poz., rys., schem.

Twórcy

autor

Duszejko Paweł

• Wojskowa Akademia Techniczna, Warszawa

autor

Gloza Ignacy

• Nevomo IoT Sp. z o.o.

Bibliografia

• [1] David L. Anderson, Introduction to the Science of Vision, 2003 r.
• [2] Frank L. Kooi, Alexander Toet, Visual Comfort of Binocular and 3-D Displays, 2004 r.
• [3] Daryl Tan, Depth Estimation: Basics and Intuition, 2020 r.
• [4] Riftek, Laser Scanners RF627 Series, 2015 r.
• [5] Birchfield, S. and Tomasi, C., Depth discontinuities by pixel-to-pixel stereo, 1999 r.
• [6] Miroslav Galabov, Depth map generation for the automatic 2D–3D conversion, 2014 r.
• [7] Jonathan S. Gardner, Joseph L. Austerweil, Stephen E. Palmer, Vertical position as a cue to pictorial depth: Height in the picture plane versus distance to the horizon, 2010 r.
• [8] D. Eigen, C. Puhrsch, and R. Fergus, Depth map prediction from a single image using a multi-scale deep network, 2014.
• [9] Michael Ramamonjisoa, Michael Firman, Jamie Watson, Vincent Lepetit, Daniyar Turmukhambetov Single Image Depth Prediction with Wavelet Decomposition. 2021 r.
• [10] Li He, Chuangbin Chen, Tao Zhang, Haifei Zhu, Shaohua Wan Wearable Depth Camera: Monocular Depth Estimation via Sparse Optimization Under Weak Supervision, 2018 r.
• [11] Simon Niklaus, Long Mai, Jimei Yang, Feng Liu, 3D Ken Burns Effect from a Single Image, 2019 r.
• [12] Shariq Farooq Bhat, Ibraheem Alhashim, Peter Wonka, Transformer- Based Attention Networks for Continuous Pixel-Wise Prediction, 2020 r.
• [13] Guanglei Yang, Hao Tang, Mingli Ding, Nicu Sebe, Elisa Ricci, Bruno Kessler, Transformer-Based Attention Networks for Continuous Pixel-Wise Prediction, 2021.
• [14] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, Deep Residual Learning for Image Recognition, 2015 r.
• [15] Nathan Silberman, Pushmeet Kohli, Derek Hoiem, Rob Fergus, Indoor Segmentation and Support Inference from RGBD Images, 2012 r.