CN110738697A 基于深度学习的单目深度估计方法 （福州大学）_第1页
CN110738697A 基于深度学习的单目深度估计方法 （福州大学）_第2页
CN110738697A 基于深度学习的单目深度估计方法 （福州大学）_第3页
CN110738697A 基于深度学习的单目深度估计方法 （福州大学）_第4页
CN110738697A 基于深度学习的单目深度估计方法 （福州大学）_第5页
已阅读5页，还剩19页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

地址350108福建省福州市闽侯县本发明提出一种基于深度学习的单目深度2步骤S3：加载步骤S2已训练好的权重模型，所述多尺度特征融合模块将来自编码器的低分辨率图像通过子像素卷积转为高分辨所述门控自适应解码器有五层，每层网络使用子像素3步骤S18：对训练集中的单目原始图像进行归一化处理，归一化参数为平均值和标准6.根据权利要求1所述的基于深度学习的单目深度估计方法，其特征在于，在步骤S2p∈Ω,其中p定义为像素在图像中的坐标，N为图像的8.根据权利要求1所述的基于深度学习的单目深度估计方法，其特征在于，在步骤S345也使深度估计的效果有了进一步改进。例如在文献“HuJ,OzayM,ZhangY,etal.RevisitingSingleImageDepthEstimation:TowardHigherResolutionMapsWithAccurateObjectBoundaries[C].2019IEEEWinterConferenceonApplications6[0013]所述多尺度特征融合模块将来自编码器的低分辨率图像通过子像素卷积转为高[0014]所述门控自适应解码器有五层，每层网络使用子像素卷积对图像依次进行上采控自适应解码器和多尺度特征融合模块输出的分辨率为160*128的图像，按维数1(列)拼7[0024]步骤S16：对训练集中的单目原始图像进行主成分分析(PrincipalComponent[0032]Lnormal为图像表面法线损失函数，用于测量深度预测图像的表面法线相对于真实8[0045]1.在网络的上采样结构中，使用子像素卷积(Sub9[0048]4.增加细化单元，融合来自门控自适应解码器网路和多尺度特征融合模块的输[0057]1-1)对原始数据集进行分类，生成训练集和测试集以及两者的标签文件，其中[0069]多尺度特征融合模块将编码器的低分辨率图像通过子像素卷积超分辨为高分辨HuszF,etal.Real-TimeSingleImageandVideoSuper-ResolutionUsinganEfficientSub-PixelConvolutionalNeuralNetwork[C].2016IEEEConferenceon层输出的低分辨率图像和解码器第j层输出的高分辨率图像D%,输出为高分辨率图像门控自适应解码器最后一层和多尺度特征融合模块输出的分辨率为160*128的图像，按维卷积神经网络的最佳权重模型。神经网络训练过程实际是一个构建目标函数的[0080]第三个损失项Lnormal测量深度预测图像的表面法线相对于真实深度图的准确性，[0092](3)实验环境：操作系统为Ubuntu16.04，显卡型号为NVIDIATeslaM40，使用和阈值精度评价指标优于Junjie.Hu的算法

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论