专利交易市场

本发明公开了一种基于方向和尺度自适应卷积神经网络的光场深度估计方法。本发明包括如下步骤：步骤1.准备光场数据集，制作训练集和测试集；步骤2.搭建方向和尺度自适应的卷积神经网络SOA‑EPN；步骤3.使用训练集训练搭建好的SOA‑EPN网络；步骤4.使用练好的SOA‑EPN网络在测试集上进行测试；本发明借助于尺度和方向感知卷积神经网络来预测光场深度，不仅利用了多方向，而且很好的处理了遮挡等问题，得到准确的深度估计结果。

本发明公开了一种基于无监督深度学习的光场深度估计方法。本发明设计了无监督损失函数；同时从光场图像中提取一组3×3排列的子光圈图像作为光场深度估计网络的输入，输出中心子光圈图像的视差图，实现端到端的训练。步骤S1.准备光场数据集，制作训练集和测试集；步骤S2.搭建无监督光场深度估计网络；步骤S3.设计无监督光场深度估计损失函数；步骤S4.使用训练集训练无监督光场深度估计网络；本发明通过使用本发明自主搭建的网络结构以及损失函数，在海德堡图像处理实验室提供的4D光场数据集评测网站上，可以获得优于其它无监督深度估计方法的精度。

本发明公开了一种基于视觉和毫米波雷达的融合深度估计方法，属于计算机视觉技术领域。本发明包括两阶段的网络，第一阶段以图像和由毫米波雷达数据得到的稀疏深度图为输入，预测稠密的粗糙深度图，考虑到毫米波雷达数据的特性，采用稀疏前置映射模块提取其特征并完成数据之间的映射；第二阶段以粗糙深度图为输入，采用更为精简的网络结构，同时在该阶段中融合前一阶段特征，旨在预测细节更加完善的深度图；同时，本发明还以nuScenes数据集为基础，构建了一个新的深度数据集。本发明在单目图像中引入毫米波雷达的测量值作为先验知识，旨在利用毫米波雷达补充视觉信息，尤其是在夜晚、雨天等视觉特征退化严重的场景，从而提升深度估计结果的准确性。

本发明属于图像处理技术领域，为了解决现有方法无法准确提取丰富的全局信息，以及无法准确估计局部特征，从而导致无法实现准确估计的问题，提出一种基于自适应令牌聚合的单目深度估计方法及系统，将卷积网络与Transformer各自的优点融合应用于深度估计任务中，其中Transformer用于提取全局上下文信息，卷积网络用于保留局部上下文信息，从而使算法具备了提取场景中完整信息的能力，并将Transformer特征和卷积网络特征的信息进行交互并增强对应关系，增强特征的表征能力，从而提高估计的准确性。

本发明公开了一种基于完整上下文信息的单目深度估计方法及系统，涉及人工智能技术领域，该方法包括：将预处理后的待估计图像输入至深度估计网络中，进行深度估计，输出深度图像；所述深度估计网络采用跳跃连接的编码器‑解码器结构，编码器包括Transformer分支和卷积分支；Transformer分支包括多个依次连接的下采样层，用于捕获图像中的全局上下文信息，提取全局特征；卷积分支包括卷积编码层和底层信息提取模块，用于捕获图像中包括底层纹理信息的局部上下文信息，提取局部特征；全局特征和局部特征经过特征交互模块进行特征交互后输入至广域多尺度解码器，预测并输出深度图像，提高深度估计的准确性。