BriefGPT - AI 论文速递
·
UMono: 物理模型引导的混合 CNN-Transformer 框架用于水下单目深度估计
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了两种高效且轻量级的编码器-解码器网络结构，用于实时深度估计。这些网络在嵌入式系统上具有较低的计算复杂性和延迟，并且在单个RGB图像上能够达到先进深度估计作品的准确性。
🎯
关键要点
- 提出了两种高效且轻量级的编码器-解码器网络结构：RT-MonoDepth 和 RT-MonoDepth-S。
- 旨在降低嵌入式系统上的计算复杂性和延迟，实现实时深度估计。
- 在单个RGB图像上，能够达到类似于先前最先进深度估计作品的准确性。
- RT-MonoDepth 和 RT-MonoDepth-S 在 NVIDIA Jetson Nano 上的运行速度为 18.4 和 30.5 FPS。
- 在 NVIDIA Jetson AGX Orin 上的运行速度为 253.0 和 364.1 FPS。
- 在 KITTI 数据集上达到了相对最先进的准确性。
- 在准确性和最快推断速度方面达到了最好的水平。
🏷️
标签
➡️
