Régression locale de la profondeur grâce au flou de défocalisation et à un réseau de neurones entraîné par soft-assignment - Archive ouverte HAL
Communication Dans Un Congrès Année : 2022

Régression locale de la profondeur grâce au flou de défocalisation et à un réseau de neurones entraîné par soft-assignment

Résumé

Nous présentons une nouvelle approche de régression de la profondeur exploitant le flou de défocalisation dans des patchs d'image. La plupart des méthodes dites de Depth from Defocus (DFD) reposent sur une classification locale de flou parmi un ensemble de flous potentiels liés à une profondeur, ce qui induit des erreurs dues à sa variation continue en pratique. Nous proposons d'utiliser un encodage de la profondeur réelle en un vecteur de probabilité d'appartenance à plusieurs labels et d'entraîner un réseau de neurones de régression à partir de ce vecteur. Notre méthode surpasse à la fois le codage dur (i.e. classification) et les approches de régressions directes, sur des images simulées provenant de jeux de données de textures structurées, et sur un jeu de données réelles provenant d'une expérience de DFD actif.
Fichier principal
Vignette du fichier
DTIS22178.pdf (385.25 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03875162 , version 1 (28-11-2022)

Identifiants

  • HAL Id : hal-03875162 , version 1

Citer

Remy Leroy, Pauline Trouve-Peloux, Bertrand Le Saux, Benjamin Buat, Frederic Champagnat. Régression locale de la profondeur grâce au flou de défocalisation et à un réseau de neurones entraîné par soft-assignment. GRETSI 2022, Sep 2022, Nancy, France. ⟨hal-03875162⟩
15 Consultations
19 Téléchargements

Partager

More