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。
📄 2018103174253
📂 G06T7_557
👤 杭州电子科技大学
📅 2018-04-10
本公开揭示了一种基于非对称深度卷积神经网络的多视角深度预测方法,包括:构建一种非对称深度卷积神经网络;结合参考图像,将相邻图像构造为平面扫描卷;在现有数据集上预先训练第一神经网络;使用第一神经网络的模型参数进一步初始化第二神经网络这一非对称深度卷积神经网络;最终通过第二神经网络完成多视角深度预测。本公开允许输入任意数量和任意分辨率的不同视角的图像,减少了繁琐的手工操作,也减少限制约束,从而实现了对多目图像所产生的不同视角图像的深度的高精度预测。
📄 201910998790X
📂 G06T7_557
👤 陕西师范大学
📅 2019-10-18
本发明公开了一种基于光场傅里叶视差分层的特征检测方法，解决了二维图像只能聚焦在某一固定深度，其他深度的目标模糊不清，进而导致二维图像特征检测不全面和深度信息缺失的难题。与现有技术相比，本发明方法的有点在于，可以准确全面地检测到场景各个视差层的目标物体的特征点，且检测到的FDL_Harris特征点具有尺度不变性、旋转不变性和视差信息，并且对亮度变化和噪声不敏感。这些局部不变性使得检测到的特征更加稳定和鲁棒。
📄 2021102615547
📂 G06T7_557
👤 西安理工大学
📅 2021-03-10
柿子坊 · 知识产权运营
柿子坊知识产权运营平台