self-supervised-depth-completion評價指標完全清單從RMSE到Silog的12個深度補全指標詳解【免費下載鏈接】self-supervised-depth-completionICRA 2019 Self-supervised Sparse-to-Dense: Self-supervised Depth Completion from LiDAR and Monocular Camera項目地址: https://gitcode.com/gh_mirrors/se/self-supervised-depth-completionself-supervised-depth-completion是 MIT 團隊發(fā)表于 ICRA 2019 的自監(jiān)督深度補全項目用 LiDAR 稀疏點 單目相機在 KITTI 數(shù)據(jù)集上無需真值標簽就能訓(xùn)練稠密深度估計。本文帶你 10 分鐘讀懂倉庫metrics.py里全部12 個深度補全評價指標RMSE、MAE、Silog、AbsRel、Delta1…的含義、單位與計算方式并告訴你新手該優(yōu)先盯哪幾個。一、12個深度補全指標總覽一張表看懂指標體系項目的評估邏輯全部集中在metrics.py的Result.evaluate()中。每個驗證樣本獨立計算一次再由AverageMeter對整組取平均。12 個核心指標可按誤差視角分為 5 組#指標全稱單位優(yōu)化方向一句話解讀1RMSERoot Mean Squared Errormm↓ 越小越好均方根誤差加權(quán)放大大誤差2MAEMean Absolute Errormm↓ 越小越好平均絕對誤差最直觀的平均差多少毫米3MSEMean Squared Errormm2↓ 越小越好RMSE 的平方對大誤差更敏感4iRMSEInverse RMSEkm↓ 越小越好在倒數(shù)深度空間算的 RMSE5iMAEInverse MAEkm↓ 越小越好倒數(shù)深度空間的平均絕對誤差6AbsRelAbsolute Relative Error無量綱↓ 越小越好平均相對誤差差值÷真值7SqRelSquared Relative Error無量綱↓ 越小越好相對誤差的平方均值8Lg10Log Error (base 10)無量綱↓ 越小越好對數(shù)域的平均絕對誤差9Delta1δ? max(p/t, t/p) 1.25%↑ 越大越好預(yù)測落在真值 1.25 倍以內(nèi)的像素比例10Delta2δ?閾值 1.252 ≈ 1.56%↑ 越大越好更寬松的精度比例11Delta3δ?閾值 1.253 ≈ 1.95%↑ 越大越好最寬松的精度比例12SilogScale-Invariant Log Error%↓ 越小越好尺度無關(guān)的對數(shù)誤差自監(jiān)督訓(xùn)練的關(guān)鍵指標 此外Result中還有 3 個輔助字段photometric光度損失值僅自監(jiān)督訓(xùn)練時有意義、data_time/gpu_time數(shù)據(jù)加載與 GPU 耗時它們不參與模型質(zhì)量排名。二、看懂指標前先搞懂 3 個前提 ??在逐條拆解公式前metrics.py里有 3 個約定必須知道否則單位會算錯有效像素掩碼valid_mask target 0.1metrics.py第 66 行——只有真值深度大于 0.1 米的像素才參與所有指標計算無效區(qū)域被整體剔除。三套單位并存絕對/相對/對數(shù)組MSE、RMSE、MAE、Lg10、AbsRel、SqRel、Delta 系列先按1e3把米換算成毫米再計算Silog直接使用米倒數(shù)組iRMSE、iMAE換算成公里后取倒數(shù)。逐圖計算再平均每驗證一張圖調(diào)一次evaluate()AverageMetermetrics.py第 105 行累加求和最后除以樣本數(shù)count得到整組平均值——你看到的日志數(shù)字是每張圖誤差的均值而非全部像素的總均值。三、逐組詳解從RMSE到Silog的12個指標怎么算3.1 絕對誤差組MSE / RMSE / MAE毫米對有效像素設(shè)預(yù)測為p、真值為t單位 mmabs_diff |p ? t|MAE mean(abs_diff)平均每個像素差多少毫米最貼近直觀感受MSE mean(abs_diff2)平方后放大大誤差RMSE √MSE與真值同單位的典型誤差尺度也是本項目默認的模型排名指標main.py中--rank-metric默認值rmse。 對應(yīng)metrics.py第 74–75 行RMSE 恒等于 MSE 的平方根兩者信息等價報告時通常只留其一。3.2 相對誤差組AbsRel / SqRelAbsRel mean(|p ? t| / t)誤差占真值的平均比例。10 米的物體差 1 米1 米的物體也差 1 米——絕對誤差下二者相同AbsRel 能區(qū)分這種相對不準SqRel mean((|p ? t| / t)2)相對誤差的平方版本懲罰更狠。遠距離場景中真值 t 很大AbsRel 對遠場的魯棒性優(yōu)于 MAE/RMSE是深度補全論文里最常并列報告的指標之一。3.3 對數(shù)誤差組Lg10 / SilogLg10 mean(|log??p ? log??t|)在 10 底對數(shù)域度量誤差天然抑制遠近倍差數(shù)值小KITTI 上常在 0.1 上下SilogScale-Invariant Log Error尺度無關(guān)對數(shù)誤差e log(t) ? log(p) 單位米 Silog sqrt( mean(e2) ? (mean(e))2 ) × 100它本質(zhì)是對數(shù)誤差的樣本標準差 × 100減去均值項后預(yù)測整體偏大或偏小全局尺度偏移不再被懲罰。這正是自監(jiān)督框架的護身符——sparsephoto訓(xùn)練模式下沒有真值監(jiān)督網(wǎng)絡(luò)輸出可能整體漂移Silog 依然能公平反映其相對幾何質(zhì)量。3.4 閾值精度組Delta1 / Delta2 / Delta3KITTI 深度補全基準的經(jīng)典三件套。先算雙向比值maxRatio max( p / t , t / p )Delta1maxRatio 1.25 的像素占比約誤差在 ±25% 內(nèi)Delta2maxRatio 1.252 ≈ 1.56 的像素占比Delta3maxRatio 1.253 ≈ 1.95 的像素占比。三個值是及格率曲線Delta3 ≥ Delta2 ≥ Delta1。Delta1 高說明近處結(jié)構(gòu)精確Delta3 高說明大尺度趨勢正確。它們以 0–1 的小數(shù)存儲展示時一般 ×100 變成百分比。3.5 倒數(shù)誤差組iRMSE / iMAE公里倒數(shù)深度1/d在相機幾何里對應(yīng)反投影平面上的位置對近距離誤差不那么敏感、對遠場結(jié)構(gòu)更友好。實現(xiàn)上先把預(yù)測與真值換算成公里再取倒數(shù)然后照搬 3.1 節(jié)的公式iRMSE √mean( |1/p ? 1/t|2 )iMAE mean( |1/p ? 1/t| )它們與 RMSE/MAE 是互補視角若 RMSE 高而 iMAE 低往往說明遠場誤差主導(dǎo)了絕對誤差。3.6 輔助項Photometric 與計時指標Photometric自監(jiān)督訓(xùn)練--train-mode含photo時把預(yù)測深度反投影 warp 相鄰幀并與當前幀 RGB 比對的 L1 損失criteria.py的PhotometricLoss經(jīng)inverse_warp.py完成反投影。它不是深度誤差但數(shù)值下降說明幾何一致性在改善data_time / gpu_time數(shù)據(jù)加載與單步前向耗時用于定位 I/O 瓶頸而非模型質(zhì)量。四、訓(xùn)練日志里的指標長什么樣train.csv / val.csv / best.txt每輪訓(xùn)練結(jié)束helper.py的logger會把平均指標追加寫入結(jié)果目錄train.csv / val.csv表頭由fieldnames定義helper.py第 9–13 行共 16 列epoch, rmse, photo, mae, irmse, imae, mse, absrel, lg10, silog, squared_rel, delta1, delta2, delta3, data_time, gpu_time——上面 12 個核心指標一個不少best.txt / eval.txt單輪評估的摘要save_single_txt第 112–124 行包含rank_metric、rmse、mae、silog、squared_rel、irmse、imae、mse、absrel、lg10、delta1等字段最佳模型保存rank_conditional_save_best()第 160–168 行按--rank-metric指定的指標比較驗證集更優(yōu)時把 checkpoint 復(fù)制為model_best.pth.tar。想換排名標準很簡單訓(xùn)練時加參數(shù)即可main.py第 97–103 行任何Result屬性都可選# 默認按 RMSE 排名改成按 Silog 排名 python main.py --evaluate [checkpoint-path] --rank-metric silog --val select每 10 步--print-freq的終端日志也會按RMSE / MAE / iRMSE / iMAE / silog / squared_rel / Delta1 / REL / Lg10 / Photometric的順序滾動打印格式見helper.py的conditional_print。五、實戰(zhàn)指南新手應(yīng)該優(yōu)先盯哪幾個指標全部 12 個指標都值得記錄但日常盯盤建議抓 4 個RMSEmm——項目默認排名指標數(shù)值可直讀補全深度平均偏多少毫米Silog%——自監(jiān)督路線的成績單不受全局尺度偏移干擾適合對比dense與sparsephoto兩種訓(xùn)練模式Delta1%——25% 閾值內(nèi)像素占比最接近人類感知Delta1 高深度圖肉眼看著才靠譜AbsRel——補充相對精度視角尤其關(guān)注遠距離表現(xiàn)。避坑清單??別把 RMSEmm和 Silog%放在一起比大小單位完全不同Silog 實現(xiàn)是對數(shù)誤差標準差 × 100與其他論文里的 √(mean e2) 形式略有差異跨論文對比時注意公式Delta 系列是比例0–1不是誤差值優(yōu)化方向與其他指標相反——越大越好所有指標都只在target 0.1米的有效像素上計算無效像素不產(chǎn)生梯度之外的任何影響。六、常見問題 FAQQ1為什么同一份代碼里出現(xiàn) mm、m、km 三種單位各指標沿襲 KITTI 社區(qū)習(xí)慣絕對/相對/對數(shù)指標用 mm精度直觀Silog 用 m對數(shù)域尺度無關(guān)倒數(shù)指標用 km與經(jīng)典 Stereo 評測保持一致。讀結(jié)果前先對照上表即可。Q2--train-mode sparsephoto時 photometric 列為 0 怎么辦只有訓(xùn)練模式包含photo時光度損失才生效dense模式下該列恒為 0屬正?，F(xiàn)象。Q3驗證時用哪個驗證集main.py的--val select默認val_selection_cropped子集或--val full全量 val前者更快適合日常調(diào)參。小結(jié)metrics.py一個文件里裝下了深度補全評測的全部家當——絕對誤差MSE/RMSE/MAE、相對誤差A(yù)bsRel/SqRel、對數(shù)誤差Lg10/Silog、閾值精度Delta1/2/3與倒數(shù)誤差iRMSE/iMAE外加光度損失與計時輔助項。記住mm 組看精度、Silog 看自監(jiān)督一致性、Delta 組看及格率再配合train.csv / val.csv / best.txt三份日志你就能完整追蹤一次深度補全實驗的每一步進展?！久赓M下載鏈接】self-supervised-depth-completionICRA 2019 Self-supervised Sparse-to-Dense: Self-supervised Depth Completion from LiDAR and Monocular Camera項目地址: https://gitcode.com/gh_mirrors/se/self-supervised-depth-completion創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 self-supervised-depth-completion評價指標完全清單：從RMSE到Silog的12個深度補全指標詳解
self-supervised-depth-completion評價指標完全清單從RMSE到Silog的12個深度補全指標詳解【免費下載鏈接】self-supervised-depth-completionICRA 2019 Self-supervised Sparse-to-Dense: Self-supervised Depth Completion from LiDAR and Monocular Camera項目地址: https://gitcode.com/gh_mirrors/se/self-supervised-depth-completionself-supervised-depth-completion是 MIT 團隊發(fā)表于 ICRA 2019 的自監(jiān)督深度補全項目用 LiDAR 稀疏點 單目相機在 KITTI 數(shù)據(jù)集上無需真值標簽就能訓(xùn)練稠密深度估計。本文帶你 10 分鐘讀懂倉庫metrics.py里全部12 個深度補全評價指標RMSE、MAE、Silog、AbsRel、Delta1…的含義、單位與計算方式并告訴你新手該優(yōu)先盯哪幾個。一、12個深度補全指標總覽一張表看懂指標體系項目的評估邏輯全部集中在metrics.py的Result.evaluate()中。每個驗證樣本獨立計算一次再由AverageMeter對整組取平均。12 個核心指標可按誤差視角分為 5 組#指標全稱單位優(yōu)化方向一句話解讀1RMSERoot Mean Squared Errormm↓ 越小越好均方根誤差加權(quán)放大大誤差2MAEMean Absolute Errormm↓ 越小越好平均絕對誤差最直觀的平均差多少毫米3MSEMean Squared Errormm2↓ 越小越好RMSE 的平方對大誤差更敏感4iRMSEInverse RMSEkm↓ 越小越好在倒數(shù)深度空間算的 RMSE5iMAEInverse MAEkm↓ 越小越好倒數(shù)深度空間的平均絕對誤差6AbsRelAbsolute Relative Error無量綱↓ 越小越好平均相對誤差差值÷真值7SqRelSquared Relative Error無量綱↓ 越小越好相對誤差的平方均值8Lg10Log Error (base 10)無量綱↓ 越小越好對數(shù)域的平均絕對誤差9Delta1δ? max(p/t, t/p) 1.25%↑ 越大越好預(yù)測落在真值 1.25 倍以內(nèi)的像素比例10Delta2δ?閾值 1.252 ≈ 1.56%↑ 越大越好更寬松的精度比例11Delta3δ?閾值 1.253 ≈ 1.95%↑ 越大越好最寬松的精度比例12SilogScale-Invariant Log Error%↓ 越小越好尺度無關(guān)的對數(shù)誤差自監(jiān)督訓(xùn)練的關(guān)鍵指標 此外Result中還有 3 個輔助字段photometric光度損失值僅自監(jiān)督訓(xùn)練時有意義、data_time/gpu_time數(shù)據(jù)加載與 GPU 耗時它們不參與模型質(zhì)量排名。二、看懂指標前先搞懂 3 個前提 ??在逐條拆解公式前metrics.py里有 3 個約定必須知道否則單位會算錯有效像素掩碼valid_mask target 0.1metrics.py第 66 行——只有真值深度大于 0.1 米的像素才參與所有指標計算無效區(qū)域被整體剔除。三套單位并存絕對/相對/對數(shù)組MSE、RMSE、MAE、Lg10、AbsRel、SqRel、Delta 系列先按1e3把米換算成毫米再計算Silog直接使用米倒數(shù)組iRMSE、iMAE換算成公里后取倒數(shù)。逐圖計算再平均每驗證一張圖調(diào)一次evaluate()AverageMetermetrics.py第 105 行累加求和最后除以樣本數(shù)count得到整組平均值——你看到的日志數(shù)字是每張圖誤差的均值而非全部像素的總均值。三、逐組詳解從RMSE到Silog的12個指標怎么算3.1 絕對誤差組MSE / RMSE / MAE毫米對有效像素設(shè)預(yù)測為p、真值為t單位 mmabs_diff |p ? t|MAE mean(abs_diff)平均每個像素差多少毫米最貼近直觀感受MSE mean(abs_diff2)平方后放大大誤差RMSE √MSE與真值同單位的典型誤差尺度也是本項目默認的模型排名指標main.py中--rank-metric默認值rmse。 對應(yīng)metrics.py第 74–75 行RMSE 恒等于 MSE 的平方根兩者信息等價報告時通常只留其一。3.2 相對誤差組AbsRel / SqRelAbsRel mean(|p ? t| / t)誤差占真值的平均比例。10 米的物體差 1 米1 米的物體也差 1 米——絕對誤差下二者相同AbsRel 能區(qū)分這種相對不準SqRel mean((|p ? t| / t)2)相對誤差的平方版本懲罰更狠。遠距離場景中真值 t 很大AbsRel 對遠場的魯棒性優(yōu)于 MAE/RMSE是深度補全論文里最常并列報告的指標之一。3.3 對數(shù)誤差組Lg10 / SilogLg10 mean(|log??p ? log??t|)在 10 底對數(shù)域度量誤差天然抑制遠近倍差數(shù)值小KITTI 上常在 0.1 上下SilogScale-Invariant Log Error尺度無關(guān)對數(shù)誤差e log(t) ? log(p) 單位米 Silog sqrt( mean(e2) ? (mean(e))2 ) × 100它本質(zhì)是對數(shù)誤差的樣本標準差 × 100減去均值項后預(yù)測整體偏大或偏小全局尺度偏移不再被懲罰。這正是自監(jiān)督框架的護身符——sparsephoto訓(xùn)練模式下沒有真值監(jiān)督網(wǎng)絡(luò)輸出可能整體漂移Silog 依然能公平反映其相對幾何質(zhì)量。3.4 閾值精度組Delta1 / Delta2 / Delta3KITTI 深度補全基準的經(jīng)典三件套。先算雙向比值maxRatio max( p / t , t / p )Delta1maxRatio 1.25 的像素占比約誤差在 ±25% 內(nèi)Delta2maxRatio 1.252 ≈ 1.56 的像素占比Delta3maxRatio 1.253 ≈ 1.95 的像素占比。三個值是及格率曲線Delta3 ≥ Delta2 ≥ Delta1。Delta1 高說明近處結(jié)構(gòu)精確Delta3 高說明大尺度趨勢正確。它們以 0–1 的小數(shù)存儲展示時一般 ×100 變成百分比。3.5 倒數(shù)誤差組iRMSE / iMAE公里倒數(shù)深度1/d在相機幾何里對應(yīng)反投影平面上的位置對近距離誤差不那么敏感、對遠場結(jié)構(gòu)更友好。實現(xiàn)上先把預(yù)測與真值換算成公里再取倒數(shù)然后照搬 3.1 節(jié)的公式iRMSE √mean( |1/p ? 1/t|2 )iMAE mean( |1/p ? 1/t| )它們與 RMSE/MAE 是互補視角若 RMSE 高而 iMAE 低往往說明遠場誤差主導(dǎo)了絕對誤差。3.6 輔助項Photometric 與計時指標Photometric自監(jiān)督訓(xùn)練--train-mode含photo時把預(yù)測深度反投影 warp 相鄰幀并與當前幀 RGB 比對的 L1 損失criteria.py的PhotometricLoss經(jīng)inverse_warp.py完成反投影。它不是深度誤差但數(shù)值下降說明幾何一致性在改善data_time / gpu_time數(shù)據(jù)加載與單步前向耗時用于定位 I/O 瓶頸而非模型質(zhì)量。四、訓(xùn)練日志里的指標長什么樣train.csv / val.csv / best.txt每輪訓(xùn)練結(jié)束helper.py的logger會把平均指標追加寫入結(jié)果目錄train.csv / val.csv表頭由fieldnames定義helper.py第 9–13 行共 16 列epoch, rmse, photo, mae, irmse, imae, mse, absrel, lg10, silog, squared_rel, delta1, delta2, delta3, data_time, gpu_time——上面 12 個核心指標一個不少best.txt / eval.txt單輪評估的摘要save_single_txt第 112–124 行包含rank_metric、rmse、mae、silog、squared_rel、irmse、imae、mse、absrel、lg10、delta1等字段最佳模型保存rank_conditional_save_best()第 160–168 行按--rank-metric指定的指標比較驗證集更優(yōu)時把 checkpoint 復(fù)制為model_best.pth.tar。想換排名標準很簡單訓(xùn)練時加參數(shù)即可main.py第 97–103 行任何Result屬性都可選# 默認按 RMSE 排名改成按 Silog 排名 python main.py --evaluate [checkpoint-path] --rank-metric silog --val select每 10 步--print-freq的終端日志也會按RMSE / MAE / iRMSE / iMAE / silog / squared_rel / Delta1 / REL / Lg10 / Photometric的順序滾動打印格式見helper.py的conditional_print。五、實戰(zhàn)指南新手應(yīng)該優(yōu)先盯哪幾個指標全部 12 個指標都值得記錄但日常盯盤建議抓 4 個RMSEmm——項目默認排名指標數(shù)值可直讀補全深度平均偏多少毫米Silog%——自監(jiān)督路線的成績單不受全局尺度偏移干擾適合對比dense與sparsephoto兩種訓(xùn)練模式Delta1%——25% 閾值內(nèi)像素占比最接近人類感知Delta1 高深度圖肉眼看著才靠譜AbsRel——補充相對精度視角尤其關(guān)注遠距離表現(xiàn)。避坑清單??別把 RMSEmm和 Silog%放在一起比大小單位完全不同Silog 實現(xiàn)是對數(shù)誤差標準差 × 100與其他論文里的 √(mean e2) 形式略有差異跨論文對比時注意公式Delta 系列是比例0–1不是誤差值優(yōu)化方向與其他指標相反——越大越好所有指標都只在target 0.1米的有效像素上計算無效像素不產(chǎn)生梯度之外的任何影響。六、常見問題 FAQQ1為什么同一份代碼里出現(xiàn) mm、m、km 三種單位各指標沿襲 KITTI 社區(qū)習(xí)慣絕對/相對/對數(shù)指標用 mm精度直觀Silog 用 m對數(shù)域尺度無關(guān)倒數(shù)指標用 km與經(jīng)典 Stereo 評測保持一致。讀結(jié)果前先對照上表即可。Q2--train-mode sparsephoto時 photometric 列為 0 怎么辦只有訓(xùn)練模式包含photo時光度損失才生效dense模式下該列恒為 0屬正?，F(xiàn)象。Q3驗證時用哪個驗證集main.py的--val select默認val_selection_cropped子集或--val full全量 val前者更快適合日常調(diào)參。小結(jié)metrics.py一個文件里裝下了深度補全評測的全部家當——絕對誤差MSE/RMSE/MAE、相對誤差A(yù)bsRel/SqRel、對數(shù)誤差Lg10/Silog、閾值精度Delta1/2/3與倒數(shù)誤差iRMSE/iMAE外加光度損失與計時輔助項。記住mm 組看精度、Silog 看自監(jiān)督一致性、Delta 組看及格率再配合train.csv / val.csv / best.txt三份日志你就能完整追蹤一次深度補全實驗的每一步進展?！久赓M下載鏈接】self-supervised-depth-completionICRA 2019 Self-supervised Sparse-to-Dense: Self-supervised Depth Completion from LiDAR and Monocular Camera項目地址: https://gitcode.com/gh_mirrors/se/self-supervised-depth-completion創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考