Этот репозиторий содержит код для определения качества работы построения 2D карт глубины. Репозиторий сопровождает статью:.... Оценке подвергались две модели (MiDaS) и (monodepth 2) в условиях дорожно-транспортных сцен. Для проведения анализа использовался открытый дата сет (KITTI) с необработанными лидарными сканированиями и RGB-изображениями опубликованный в (Sparsity Invariant CNNs (THREEDV 2017)).

В таблице представлена метрика оценки MAE. С помощью данной метрики можно скомпенсировать шум и различные артефакты в наборе данных. Коэффициент изменения, показывает среднее число, на которое необходимо умножить каждый пиксель, чтобы изображение, полученное с модели, было максимально близко к значениям лидара.

На рисунке ниже продемонстрирован качественный метод оценки глубины. Красным цветом обозначеныте пиксели расстояние в которых расстояние полученное с лидара равно расстоянию, полученному с модели.

Ознакомиться с данными и полученными изображениями исследования можно по (ссылке).

Настройка данных:

1. Скачайте набор данных для тестирования (KITTI) (Download manually selected validation and test data sets (2 GB)) либо воспользуйтесь данными из статьи (ссылка).
2. Выберете тестируемую модель оценки карт глубины и произведите построение (либо воспользуйте готовыми изображениями которые использовались в статье (ссылка).
3. Изображения с лидара помещаются в папку data lidar, изображения из модели вставляются в data model.

Настройка зависимостей:

Для работы программы необходимо установить OpenCV: pip install opencv-python.

1. Запустите программу: python run.py.
2. По окончанию работы в командной строке должно появится сообщение: Программа завершила работу.
3. Результирующие данные записываются в папку results.
4. В данной папке есть два раздела в information выводится файл с метрикой МАЕ и Коэффициентом изменения по каждому изображению, а в difference image изображения демонстрирующие различие между тестируемой моделью и данными с лидара.