AIBR プレミアム
拓海さん、最近若手から「ステレオカメラで深さをリアルタイムに取れるやつを導入すべき」と言われましてね。けれど技術文献を見ても何が変わったのか分からなくて困っています。
素晴らしい着眼点ですね！大丈夫ですよ、短く結論を言うとこの論文は「重い特徴学習を避けつつ、学習で平滑化（コスト集約）を制御して高速かつ高精度に深度を推定できるようにした」ものですよ。
要するに機械学習で全部学ばせるのではなく、現場で速く動く方法をうまく組み合わせた、ということですか？投資対効果の観点でそこが肝心です。
その通りです。もっと噛み砕くと、重い学習パートは使わず速い古典手法をベースにして、学習は「どこをどれだけ滑らかにするか」を決める部分だけに限定しているのですよ。結果として導入コストを抑えつつ処理は速いんです。
その「どこを滑らかにするか」を決めるって、現場の映像で物体境界を壊さずに処理できるってことですか？精度も犠牲になりませんか。
大丈夫です。学習モデルは入力画像のピクセルごとに「平滑化の強さ」を予測します。比喩で言うと、地図の等高線を描く時に川や崖の境目では線を細かくして、平坦な場所では線を広げるように処理を切り替えるんです。
これって要するに、コスト集約を学習で制御するということ？
まさにその通りですよ。コスト集約（cost aggregation／コスト集約）はノイズの多いマッチングコストを滑らかにする処理です。その滑らかし方をピクセルごとに学習させるわけです。
なるほど。でも現場での処理時間はどうですか。うちの設備はGPUを大きく増やせないんですが。
安心してください。ここが肝で、筆者らは高次元の特徴学習をやめて古典的で高速な類似度指標を用いています。学習モジュールは片側の画像だけを処理するため、処理量は抑えられており、KITTIデータセットで29fpsという実測を示していますよ。
それは現実的ですね。導入の際に現場の作業やメンテナンスで気をつけることはありますか。現場の監督はクラウドも苦手です。
要点を3つにまとめますよ。1) 学習済みのモデルは比較的小さくオンプレミスで動く、2) カメラの配置や照明で性能が変わるため現地再学習や微調整が必要になる、3) 障害や極端な反射面では誤差が出るので人が監視するワークフローは残す、です。一緒にやれば必ずできますよ。
わかりました。これなら投資の検討がしやすいです。では最後に、私の理解で要点をまとめますね。学習で『どこをどの程度滑らかにするか』を決めることで、高速かつ現場で使える深度推定が可能になった、ということでよろしいですか。
