检索结果-南通市图书馆

作者：洪忠铖华南理工大学

学位级别：硕士

深度信息对于自动驾驶和自主机器人感知环境和估计自身状态非常重要,而随着深度神经网络的快速发展,基于深度学习的单目深度估计被广泛的研究,并有了令人满意的效果。然而现有的方法均不关注图像的细节,导致物体边界模糊、网络忽略一些... 详细信息

深度信息对于自动驾驶和自主机器人感知环境和估计自身状态非常重要,而随着深度神经网络的快速发展,基于深度学习的单目深度估计被广泛的研究,并有了令人满意的效果。然而现有的方法均不关注图像的细节,导致物体边界模糊、网络忽略一些小物体、缺乏全局一致性等问题,从而使预测的深度图不精确。另外在自动驾驶应用中,目前的方法仍然存在不精确的对象级深度推理和不确定的尺度。不准确的对象级深度推理会导致网络预测物体的边界不准确,以及物体局部深度与整体不一致;未明尺度则需要一个额外的传感器,如激光雷达提供深度Ground Truth或双目像机作为额外的训练输入,这会使网络的应用产生更高的使用代价。针对上述问题,本文主要主要工作如下:受到注意力机制具有对细节出色关注能力的启发,本文考虑对代价体积添加注意力感知,使网络更倾向于从代价体积中学习重要信息,以此来解决网络不关注图像细节的问题。本文提出了注意力感知代价体积的两种模式:体素注意力感知(VAA)网络和循环注意力感知(RAA)网络。VAA网络中,添加3D卷积用于重新加权3D代价体积,以增强代价体积的重要区域,同时抑制不重要的区域。因此,本文提出的VAA网络可以自主选择所需的细节。RAA网络则使对3D代价体积沿着深度维度进行二维卷积,从而扩大深度的感受野,并获得更好的全局一致性。实验证明,本文的方法在KITTI和Cityscapes数据集上优于其他自监督方法。为了使网络预测准确的对象级深度和尺度恢复,本文以基于代价体积的自监督单目深度估计网络为基础,设计了级联式自监督单目绝对深度估计网络。首先,使用一种新的级联式预测(CP)层,以提供更好的对象级推理,从而物体边界可以在深度图中更好地区分,物体的深度推理也更加完整一致。另外针对自动驾驶场景,在推理时预测相机高度从而实现几何约束,以便在不增加自动驾驶车辆额外成本的情况下恢复准确的绝对深度。实验表明,在KITTI数据上,本文方法成功恢复了相对深度图的尺度,且精度优于其他恢复自监督单目深度估计尺度的方法。

关键词：深度估计自监督代价体积单目多视角立体视觉

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

利用多帧序列影像的自监督学习单目深度估计

引用

计算机应用 2024年

作者：熊炜陈奕博张丽真杨茜邹勤湖北工业大学电气与电子工程学院武汉大学计算机学院

多帧自监督单目深度估计通过当前帧和上一帧之间的关系构建代价体积，可以作为单目深度估计网络的额外输入源，更准确地描述场景视频中的时间序列关系和空间结构信息。然而，当场景中存在动态物体或者无纹理区域时，代价体积会成为不可... 详细信息

多帧自监督单目深度估计通过当前帧和上一帧之间的关系构建代价体积，可以作为单目深度估计网络的额外输入源，更准确地描述场景视频中的时间序列关系和空间结构信息。然而，当场景中存在动态物体或者无纹理区域时，代价体积会成为不可靠的信息来源。当单目深度估计网络过度依赖代价体积中的不可靠信息源时，会导致深度估计精度的下降。因此，设计一种新的多帧融合模块动态降低不可靠信息源的权重，减轻不可靠信息源对网络的影响。为了应对代价体积中不可靠信息源对网络训练的负面影响，还设计了一种引导深度估计网络训练的网络，防止深度估计网络过度依赖不可靠信息。所提方法在KITTI数据集上取得了出色的性能，与基准方法 Lite-Mono相比，它的绝对相对误差、平方相对误差和均方根误差分别下降了0.015、0.094和0.2；与同类方法相比，所提方法精度更高，且占用的计算资源更少。所提网络结构充分利用了多帧训练的优势，同时避免了多帧训练的缺陷(即代价体积不确定性对网络的影响)，可有效提升模型精度。

关键词：自监督单目深度估计多视图立体单目视频代价体积

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于视频帧间相关度的光流估计方法研究

基于视频帧间相关度的光流估计方法研究

引用

作者：王凯辽宁工程技术大学

学位级别：硕士

光流估计是计算机视觉的核心问题之一,在行为识别、视频编辑、自动驾驶等方面都有着广泛的应用。光流表征着三维空间中运动对象在投影面上像素位移的瞬时状态。传统光流估计方法以变分法为基础,但这类方法的准确率与实时性较低。近年来... 详细信息

光流估计是计算机视觉的核心问题之一,在行为识别、视频编辑、自动驾驶等方面都有着广泛的应用。光流表征着三维空间中运动对象在投影面上像素位移的瞬时状态。传统光流估计方法以变分法为基础,但这类方法的准确率与实时性较低。近年来,基于深度学习的光流估计方法凭借实时性高、结果精确等优点,已成为光流研究领域的主要研究热点。目前,现有基于深度学习的方法缺少视频帧间相关度的分析与利用,为此提出一种基于视频帧间相关度的光流估计方法。首先,采用残差卷积神经网络构建用于挖掘图像深层要素的特征编码器,对连续两帧图像进行孪生特征编码,以提取更利于光流计算的图像特征。其次,对光流场景进行了深入分析,采用光流场景中连续两帧间像素位移不会过大的特点,建立了连续帧间像素的相关度模型,并通过该模型指导连续帧间的稠密视觉相似度计算。该过程中,根据光流场景的特性对特征图进行分块处理,块内特征像素共享位移场景。通过设定位移阈值及相应的强弱相关因子,计算两帧像素间的相关性,以此构建基于相关度的视觉相似性计算模块,输出高分辨率计算结果并采样生成代价体积。再次,以GRU循环神经网络为基础构建迭代更新网络,进行多次迭代更新得到可视化的光流估计结果。最后,在KITTI-2015和MPI-Sintel大型公开数据集上进行实验分析,结果表明,以KITTI-Fl为性能度量时,相较于FlowNet2.0、PWC-Net、以及RAFT(Recurrent All-Pairs Field Transforms for Optical Flow)等均有提升,在EPE(End-Point-Error)性能度量上,与LiteFlowNet2等几种主流方法相比误差更少。除了客观的性能度量外,主观上也能够更好的捕捉图像运动的细节,估计出更精细的结果。该论文有图32幅,表6个,参考文献66篇。

关键词：光流估计卷积神经网络视觉相似度深度学习代价体积

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：