НАВЧАННЯ ПІД ЧАС ТЕСТУВАННЯ ДЛЯ МОНОКУЛЯРНОЇ ОЦІНКИ ГЛИБИНИ

Анотація

Попри величезний технологічний прогрес методів глибокого навчання протягом останніх років, для складних завдань, як монокулярне оцінювання глибини, ці підходи все ще не можна надійно застосовувати для задач у справжньому світі. Ця проблема зумовлена труднощами отримання високоякісних еталонних даних, необхідних для сучасних моделей глибинного навчання. Щоб вирішити проблему малої кількості реальних якісно розмічених даних, найуспішніші сучасні моделі використовують штучно згенеровані набори даних, що спричиняє зсуви розподілу даних. Останнім часом з’явився сплеск досліджень методів навчання під час тестування (test-time training), які можуть успішно застосовуватись для  проблемм адаптації до нових даних. Метою цієї роботи є оцінити, чи здатні методи навчання під час тестування покращити результати попередньо натренованої моделі монокулярного оцінювання глибини. Результати дослідження свідчать, що поліпшення справді можливі, але за рахунок значного збільшення часу інференсу. До того ж , хоч середні показники зростають, залишається невизначеність щодо того, чи буде досягнуто покращення на окремих зображеннях. В окремих випадках частка правильно розміщених точок може зрости з 0,1 до 0,9, але на інших зразках може знизитися з 0,9 до 0,5.