Lightweight Monocular Depth with a Novel Neural Architecture Search Method

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F22%3A00362944" target="_blank" >RIV/68407700:21230/22:00362944 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/WACV51458.2022.00040" target="_blank" >https://doi.org/10.1109/WACV51458.2022.00040</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/WACV51458.2022.00040" target="_blank" >10.1109/WACV51458.2022.00040</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Lightweight Monocular Depth with a Novel Neural Architecture Search Method

Popis výsledku v původním jazyce

This paper presents a novel neural architecture search method, called LiDNAS, for generating lightweight monocular depth estimation models. Unlike previous neural architecture search (NAS) approaches, where finding optimized networks is computationally demanding, the introduced novel Assisted Tabu Search leads to efficient architecture exploration. Moreover, we construct the search space on a pre-defined backbone network to balance layer diversity and search space size. The LiDNAS method outperforms the state-of-the-art NAS approach, proposed for disparity and depth estimation, in terms of search efficiency and output model performance. The LiDNAS optimized models achieve result superior to compact depth estimation state-of-the-art on NYU-Depth-v2, KITTI, and ScanNet, while being 7%-500% more compact in size, i.e the number of model parameters.

Název v anglickém jazyce

Lightweight Monocular Depth with a Novel Neural Architecture Search Method

Popis výsledku anglicky

This paper presents a novel neural architecture search method, called LiDNAS, for generating lightweight monocular depth estimation models. Unlike previous neural architecture search (NAS) approaches, where finding optimized networks is computationally demanding, the introduced novel Assisted Tabu Search leads to efficient architecture exploration. Moreover, we construct the search space on a pre-defined backbone network to balance layer diversity and search space size. The LiDNAS method outperforms the state-of-the-art NAS approach, proposed for disparity and depth estimation, in terms of search efficiency and output model performance. The LiDNAS optimized models achieve result superior to compact depth estimation state-of-the-art on NYU-Depth-v2, KITTI, and ScanNet, while being 7%-500% more compact in size, i.e the number of model parameters.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/EF16_019%2F0000765" target="_blank" >EF16_019/0000765: Výzkumné centrum informatiky</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 2022

ISBN

978-1-6654-0915-5

ISSN

2472-6737

e-ISSN

2642-9381

Počet stran výsledku

11

Strana od-do

326-336

Název nakladatele

IEEE Computer Society

Místo vydání

USA

Místo konání akce

Waikoloa

Datum konání akce

3. 1. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000800471200033