CN119494866A 基于自监督深度学习的轻量级单目深度估计方法和设备 （东华大学）

号基于自监督深度学习的轻量级单目深度估本发明涉及一种基于自监督深度学习的轻语义感知的三元组损失的前提下计算损失函数2基于所述训练数据，通过多尺度特征提取以及动态上采样，得基于所述相对位姿信息和所述深度图进行帧重建，在考虑基于2.根据权利要求1所述的一种基于自监督深度学习的轻量级单目深度估计方法，其特基于所述多个不同尺度的特征计算偏置常量，基于所述偏置常量3.根据权利要求1所述的一种基于自监督深度学习的轻量级单目深度估计方法，其特其中，x为输入的多尺度特征提取后的尺寸为CXHXW的特征图，x'为动态上采样最的采样集，grid_sample(x,s)为根据给定的坐标网格s对输入特征图x:进行采样的函4.根据权利要求1所述的一种基于自监督深度学习的轻量级单目深度估计方法，其特5.根据权利要求1所述的一种基于自监督深度学习的轻量级单目深度估计方法，其特3表示对应的深度特征，y=(P:I(IP*>K)A(IPFI>K)}是语义边界像素的,6.根据权利要求1所述的一种基于自监督深度学习的轻量级单目深度估计方法，其特8.根据权利要求7所述的一种基于自监督深度学习的轻量级单目深度估计设备，其特动态上采样单元，用于基于所述多个不同尺度的特征存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1_6任一所述基于自的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1_6任一所述基于自监4[0004]中国专利申请公开号CN114170286A公开了一种基于无监督深度学习的单目深度[0006]本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自监督深[0008]本发明的一个方面，提供了一种基于自监督深度学习的轻量级单目深度估计方5过双线性插值得到动态上采样后的保留局部细节特[0021]其中，x为输入的多尺度特征提取后的尺寸为C×H×W的特征图，x'为动态上采得到的采样集，grid_sample(x,s)为根据给定的坐标网格s对输入特征图x进行采样的d表示对应的深度特征，B-品·Y=(P:I(IP*>K)A(IPFI>K)}是语义边界′[0030]作为优选的技术方案，所述的损失函数值还包括光度重投影损失和边缘平滑损6[0044]图1为实施例中基于自监督深度学习的轻量级单目深度估计方法的训练阶段的流[0045]图2是实施例中基于自监督深度学习的轻量级单目深度估计模型的整体结构示意[0048]图5是实施例中基于自监督深度学习的轻量级单目深度估计方法的深度估计效果7算中纳入改进的语义感知三元组损失(SaTriLoss)，以提高在梯度丰富区域的估计准确络(PoseEstimationNetwork)中，训练数据通过位姿编(DepthEstimationNetwork)中，训练数据通过深度编码器(即FeatureExtraction[0059]S=0+S;:[0061]其中x为输入的尺寸为C×H×W的特征图，x'为上采样最终得到的尺寸为C×sH联合光度重投影损失、边缘平滑损失和改进的语义感知的三元组损失作为最终的训练损8是一个包含满足上述条件的所有的语义[0071]在实施例1的基础上，本实施例提供了一种基于自监督深度学习的轻量级单目深9的分辨率下的KITTI上进行训练。表3为消融实验结果，所有模型都在输入分辨率为640×存有一个或多个程序，一个或多个程序包括用于执行实施例1所述基于自监督深度学习的执行的一个或多个程序，一个或多个程序包括用于执行如实施例1所述