CN114022799B 一种自监督单目深度估计方法和装置 （中国人民解放军军事科学院国防科技创新研究院）

2其中，所述教师模型的训练方式为自监督训练方式，所述学生基于所述第三深度图创建带有伪标注的深度估计任务所述利用所述带有伪标注的深度估计任务数据集对学生若不收敛则预测得到第二深度不确定性图，并基于所述第二深度3将连续两帧训练图像输入教师模型，其中，所述连续两帧训练图像将所述目标帧发送到所述深度估计网络得到将所述目标帧和所述参考帧经过图像特征提取网络处理后按照通道拼接在一起后送利用所述第四深度图、所述位姿变换矩阵及所基于所述重建帧和所述目标帧的差异采取反向传播进行训练与优不确定图获得模块，用于将所述视频数据输入训练好的学生模型其中，所述教师模型的训练方式为自监督训练方式，所述学生基于所述第三深度图创建带有伪标注的深度估计任务所述利用所述带有伪标注的深度估计任务数据集对学生若不收敛则预测得到第二深度不确定性图，并基于所述第二深度理器执行时实现权利要求1_6任一所述方法4[0009]将所述视频数据输入训练好的学生模型，得到第二深度图和第一深度不确定性5[0031]将所述目标帧和所述参考帧经过图像特征提取网络处理后按照通道拼接在一起6[0045]将所述视频数据输入训练好的学生模型，得到第二深度图和第一深度不确定性7[0061]下面结合说明书附图1_8给出几个实施例来描述根据本申请的示例性实施方式。8价噪声的大小，提高了深度估计方法在真实环境中如无人驾驶等各种应用场景的可用性。够有效地解决模型趋近收敛时，光度误差和几何一致性误差对深度估计噪声敏感的问题，90)为时间索引，Ii为目标帧，Ii+1为参考帧。将Ii送入深度估计网络预测出稠密的深度图B,将Ii与Ii+1经过图像特征提取网络处理后按照通道拼接在一起后送入位姿估计网络预)性图判断是否要采用深度图。比如下游应用中无人车的决策控制系统可以自行设定阈值，应用使用。[0124]图5为深度误差示意图，已有的自监督方法在计算损失时考虑了每一个像素的重雷达采集而来的深度信息以及由GPS/I[0126]本申请在评估深度估计结果时采用了KITTI深度估计数据集，与原始结果对比后Rel、SqRel、RMSE、RMSE(log)是模型预测结果与[0133]其中，d:表示测试集中某个像素真实的深度值，di表示模型对该像素深度的预2与1.253。[0134]从表1中能够直观地看出，教师模型与学生模型都达到了自监督方法中最优的性证明了所提供的基于自训练机制和自提升机制的自监督单目深度估计方个指标分别计算了稀疏误差下的面积(AreaUncertheSparsificationError，AUSE)与随机增益下的面积(AreaUndertheRandomGain，AURG)。AUSE与AURG都是由稀疏图(Sparsificationplots)推导而来的指标。需要注意的是，对于一个不确定性估计模型，[0150]下面请参考图7，其示出了本申请的一些实施方式所提供的一种电子设备的示意少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称[0154]本申请实施例提供的电子设备与本申请实施例提供的自监督单目深度估计方法[0155]本申请实施方式还提供一种与前述实施方式所提供的自监督单目深度估计方法态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器[0157]本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的空分复上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施组合对本说明书中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一一部分或者全部的设备或者装置程序。实现本申请的程序可以存储在计算机可读介质上，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻