一种融合连续性特征的单目深度估计方法,包括如下步骤:对原图进行预处理,使图像间存在隐性关系;同时输入三种图像,经过包含四个阶段以及四个尺度不同的并行子网的编码器与解码器,获得深度图输出。其损失函数包含最小光度误差损失、平滑损失、跨尺度一致性损失以及连续性损失。本发明在保持轻量化的基础上,通过结合尺度不变性与连续性特征,有效提高了深度测量的精度;并且由于其自监督的特性,对数据集的要求低,使得训练门槛低。
📄 2023103709409
📂 G06T7_55
👤 浙江工业大学
📅 2023-04-10
一种用于单目深度估计的细化蒸馏方法,包括以下步骤:步骤1)首先,通过有标注的高精度合成数据训练教师模型,教师模型经过充分训练,用于估计整个图像的深度信息;步骤2)利用已有的教师模型,采用教师模型输出的深度伪标签直接作为监督信号蒸馏学生模型;步骤3)使用局部上下文蒸馏和跨上下文蒸馏的方法,通过提升教师模型对无标注数据的利用,在蒸馏过程中补充和强化局部区域的深度估计,从而提升模型的深度估计细节和精度。本发明能够有效提升单目深度估计模型对无标注数据的利用,从而在零样本场景中,具有较强的泛化能力和更高的准确性,特别适合自动驾驶、机器人、增强现实等需要高精度,强泛化的深度模型的应用场景。
📄 2024118000809
📂 G06T7_50
👤 浙江工业大学
📅 2024-12-09
本发明公开了一种基于遮挡几何互补模型的光场相机深度估计方法。本发明利用光场光流理论得到光场图像多个视角的遮挡信息,再利用了相对的两个视角中,所看到遮挡区域具有互补关系的性质,通过求两个视角的遮挡信息,对两部分信息进行融合,从而实现精确的光场图像深度估计。本发明能够对具有丰富纹理变化的区域实现很好的遮挡结果,并且得到精确的深度图。
📄 2016112624522
📂 G06T7_55
👤 杭州电子科技大学
📅 2016-12-30
本发明公开了一种基于卷积神经网络的单目光场图像无监督深度估计方法。本发明先利用公开的大型光场图像数据集作为训练集,通过数据增强、数据扩充使训练集样本趋于平衡。构建改进的ResNet50网络模型,使用编码器和解码器分别提取模型的高级和低级的特征,再通过密集差结构将编码器和解码器的结果融合,同时另外构建了一个超分辨率遮挡检测网络,能够使用深度学习准确的预测出各个视角之间的遮挡问题;基于光场图像深度估计任务的目标函数是多损失函数,通过预先定义好的网络模型对预处理后的图像进行训练,最后在测试集上对网络模型进行泛化评估。本发明对复杂场景的光场图像预处理效果显著,实现了更精确光场图像无监督深度估计的效果。
📄 2019102763560
📂 G06K9_62
👤 浙江芯劢微电子股份有限公司
📅 2019-04-08
本发明公开了一种利用多任务互补提高深度估计准确性的方法。本发明方法使用SFM系统得到的稀疏的深度图像作为辅助输入,与RGB图像一同输入到卷积神经网络,作为辅助线索提高深度估计的准确性。将稀疏的深度图像和RGB图像当作有噪声的数据,通过去噪编码器对输入数据进行编码,提取其中的特征,将提取的四组特征串联后进行共享,解决了单独的RGB图像以基于卷积神经网络的方法进行深度估计时没有可靠且鲁棒的线索的问题;将编码后的特征通过解码器重建为精确的深度图,得到了更加精确的深度估计结果。
📄 2020103550403
📂 G06T7_593
👤 杭州电子科技大学
📅 2020-04-29
本发明公开了一种基于深度估计改进的无人车姿态校正方法,包括以下步骤:分别采集点云和图像,利用Depth Angthing算法获得深度图像;将点云、图像和深度图像输入姿态校正网络,得到点云‑图像集合;利用EPnP算法对点云‑图像集合进行求解,得到初次姿态矩阵;从混合图像的局部特征中提取深度特征,利用深度特征对初次姿态矩阵进行优化,得到最终的相机姿态矩阵。本发明通过提取深度图、点云和图像特征,计算出重叠区域,并进行初步姿态估计,通过深度图完成二次配准,利用每个像素的深度值信息和投影在图像上的点云的距离信息建立多项式模型,并在小范围内寻找最佳的位置,从而带动所有点的移动以及相机姿态的调整。
📄 202411463481X
📂 G06T5_80
👤 南京信息工程大学
📅 2024-10-21