liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Propagating Confidences through CNNs for Sparse Data Regression
Linköpings universitet, Institutionen för systemteknik, Datorseende. Linköpings universitet, Tekniska fakulteten.ORCID-id: 0000-0003-3292-7153
Linköpings universitet, Institutionen för systemteknik, Datorseende. Linköpings universitet, Tekniska fakulteten.ORCID-id: 0000-0002-6096-3648
Linköpings universitet, Institutionen för systemteknik, Datorseende. Linköpings universitet, Tekniska fakulteten. Inception Institute of Artificial Intelligence Abu Dhabi, UAE.
2019 (Engelska)Ingår i: British Machine Vision Conference 2018, BMVC 2018, BMVA Press , 2019Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

In most computer vision applications, convolutional neural networks (CNNs) operate on dense image data generated by ordinary cameras. Designing CNNs for sparse and irregularly spaced input data is still an open problem with numerous applications in autonomous driving, robotics, and surveillance. To tackle this challenging problem, we introduce an algebraically-constrained convolution layer for CNNs with sparse input and demonstrate its capabilities for the scene depth completion task. We propose novel strategies for determining the confidence from the convolution operation and propagating it to consecutive layers. Furthermore, we propose an objective function that simultaneously minimizes the data error while maximizing the output confidence. Comprehensive experiments are performed on the KITTI depth benchmark and the results clearly demonstrate that the proposed approach achieves superior performance while requiring three times fewer parameters than the state-of-the-art methods. Moreover, our approach produces a continuous pixel-wise confidence map enabling information fusion, state inference, and decision support.

Ort, förlag, år, upplaga, sidor
BMVA Press , 2019.
Nationell ämneskategori
Datorseende och robotik (autonoma system)
Identifikatorer
URN: urn:nbn:se:liu:diva-149648OAI: oai:DiVA.org:liu-149648DiVA, id: diva2:1233027
Konferens
The 29th British Machine Vision Conference (BMVC), Northumbria University, Newcastle upon Tyne, England, UK, 3-6 September, 2018
Tillgänglig från: 2018-07-13 Skapad: 2018-07-13 Senast uppdaterad: 2019-10-31Bibliografiskt granskad

Open Access i DiVA

Propagating Confidences through CNNs for Sparse Data Regression(5993 kB)47 nedladdningar
Filinformation
Filnamn FULLTEXT02.pdfFilstorlek 5993 kBChecksumma SHA-512
6fca324e59779bb6d9c033659f891f3b34bd859b016da98152751bcaf89faa507a2f3977c27fd1b2d34e050e724a067be172463cfa60135531bf443863fb6d54
Typ fulltextMimetyp application/pdf

Personposter BETA

Eldesokey, AbdelrahmanFelsberg, MichaelKhan, Fahad Shahbaz

Sök vidare i DiVA

Av författaren/redaktören
Eldesokey, AbdelrahmanFelsberg, MichaelKhan, Fahad Shahbaz
Av organisationen
DatorseendeTekniska fakulteten
Datorseende och robotik (autonoma system)

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 47 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 200 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf