一种基于CBAM的单目无监督深度估计方法技术

本发明专利技术公开了一种基于CBAM的单目无监督深度估计方法。深度估计是机器人实现对周围环境感知的关键技术之一，基于监督学习的深度估计方法将激光雷达等传感器得到的距离测量值处理后作为真值进行训练，但此过程会占用大量的人力和计算资源，因此其在跨场景中的应用很受限制。本发明专利技术在基于无监督学习的深度估计框架下，引入卷积块注意力模块并进行立体图像对的光度重建、视差平滑和左右视差一致性训练，对单目图像进行有尺度的深度估计。使用本发明专利技术所提出的方法，能够保留周围环境中物体的深度细节，并提高整体的深度估计精度，同时在跨场景下的泛化能力也能得到保障。

【技术实现步骤摘要】
一种基于CBAM的单目无监督深度估计方法
本专利技术属于智能体自主导航和环境感知领域，具体涉及一种基于CBAM的单目无监督深度估计方法。
技术介绍
智能体为实现安全可靠的自主导航需要具备完善的环境感知功能，这其中就包括对智能体周围的环境进行深度估计。基于三维激光雷达的深度估计能够得到较为精确的深度估计结果，但是其价格昂贵且只能得到稀疏的深度估计。基于RGBD相机的深度估计操作简单，但深度估计范围有限且在室外环境中使用受限。基于立体相机的深度估计在室内外使用不受限制，但其对计算资源的占用较大，且由于基线偏短造成深度估计范围有限。基于单目相机的深度估计能够得到稠密的深度图，但是由于缺乏绝对尺度，传统的单目方法不能得到真实的深度估计。随着人工智能的发展，智能体逐渐应用深度卷积神经网络来完成环境感知任务。研究人员最早利用监督学习来恢复单目相机的绝对尺度，从而完成单目的稠密深度估计。但是监督学习需要大量具有GroundTruth的数据样本进行训练，这大大制约了它的泛化能力。目前，基于无监督的单目深度估计以其简单有效的训练方式和渐趋提高的精度表现得本文档来自技高网...

【技术保护点】
1.一种基于CBAM的单目无监督深度估计方法，其特征在于：包括以下步骤：/n步骤1)，引入CBAM同Resblock组合成Resblock-CBAM；/n步骤2)，基于Resblock-CBAM设计带注意力机制的深度估计网络；/n步骤3)，针对立体图像对的光度重建、视差平滑和左右视差一致性对深度估计网络进行训练，并完成对单目图像的深度估计。/n

【技术特征摘要】
1.一种基于CBAM的单目无监督深度估计方法，其特征在于：包括以下步骤：
步骤1)，引入CBAM同Resblock组合成Resblock-CBAM；
步骤2)，基于Resblock-CBAM设计带注意力机制的深度估计网络；
步骤3)，针对立体图像对的光度重建、视差平滑和左右视差一致性对深度估计网络进行训练，并完成对单目图像的深度估计。


2.根据权利要求1所述的基于CBAM的单目无监督深度估计方法，其特征在于，
步骤1)所述的引入CBAM同Resblock组合成Resblock-CBAM，包括如下具体步骤：
a)，设置CBAM中的通道注意子模块和空间注意子模块为顺序连接，然后将CBAM与Resblock并行连接形成ConventionalResblock-CBAM，最后的输出方程如式(1)所示：
Fc＝Fr+F″r(1)
式中，为Resblock的输出特征，为CBAM空间注意子模块的输出特征，为ConventionalResblock-CBAM的输出特征；
b)，设置CBAM中的通道注意子模块和空间注意子模块为顺序连接，然后将CBAM与Resblock串行连接形成ModifiedResblock-CBAM，最后的输出方程如式(2)所示：
FM＝F″r(2)
式中，为ModifiedResblock-CBAM的输出特征；
c)，CBAM中通道注意子模块和空间注意子模块的具体过程如式(3)所示：



式中为CBAM通道注意子模块的输出特征；为一维通道的注意力映射图，为二维空间注意力映射图，表示逐像素相乘。


3.根据权利要求2所述的基于CBAM的单目无监督深度估计方法，其特征在于，所述通道注意子模块的具体过程如式(4)所示：



式中σ表示sigmoid函数，MLP为多成感知器，ω0、ω1是多层感知器的权重，为最大池化和平均池化对应的通道描述子。


4.根据权利要求2所述的基于CBAM的单目无监督深度估计方法，其特征在于，所述通道注意子模块的具体过程如式(4)所示：空间注意子模块的具体过程如式(5)所示：






式中f7×7表示7×7滤波器的卷积操作，为最大池化和平均池化对应的空间描述子。


5.根据权利要求1所述的基于CBAM的单目无监督深度估计方法，其特征在于，步骤2)所述的基于Resblock-CBAM...

【专利技术属性】
技术研发人员：潘树国，魏建胜，高旺，赵涛，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32