Une nouvelle approche pour l'évaluation des méthodes monoculaires d'estimation de la profondeur basées sur l'apprentissage profond
Résumé
La détection d’objets, l’estimation de la profondeur et le suivi des objets sont des tâches très importantes pour la navigation autonome dans le contexte de la mobilité intelligente. Ces dernières années, l’apparition de nombreuses méthodes d’estimation de la profondeur basées sur l’apprentissage profond pour les caméras monoculaires a conduit à des progrès significatifs dans ce domaine. Dans cet article, nous proposons une évaluation des algorithmes de l’état de l’art pour l’estimation de la profondeur à partir d’images monoculaires sur les bases de données KITTI et NUScenes. Les modèles évalués dans cet article comprennent une méthode non supervisée (Monodepth2) et une méthode supervisée (BTS). Notre contribution réside dans l’élaboration de nouveaux protocoles d’évaluation de l’estimation de la profondeur : l’évaluation de la profondeur selon la classe de l’objet et l’évaluation sur des plages de distance. Nous avons validé nos nouveaux protocoles sur les bases de données KITTI et NuScenes, ce qui nous a permis d’obtenir une évaluation plus complète de l’estimation de la profondeur, en particulier pour les applications de compréhension de scènes dans des environnements routiers et ferroviaires.
Origine : Fichiers produits par l'(les) auteur(s)