一种单目深度估计模型学习性能的不确定性量化方法技术

本发明专利技术涉及单目深度估计领域，公开了一种单目深度估计模型学习性能的不确定性量化方法，通过设计不确定性测量策略、不确定性引导策略和不确定性后处理策略。不仅能高效测量自监督单目深度模型输出深度图的不确定性，并且可以利用不确定性信息引导网络学习和对深度图进行后处理。本发明专利技术简单有效，不需要添加网络模块，避免了对基线模型网络结构的修改，可推广到现有和未来的自监督单目深度模型当中。推广到现有和未来的自监督单目深度模型当中。推广到现有和未来的自监督单目深度模型当中。

An uncertainty quantification method for learning performance of monocular depth estimation model

【技术实现步骤摘要】
一种单目深度估计模型学习性能的不确定性量化方法


[0001]本专利技术涉及单目深度估计领域，提供了一种单目深度估计模型学习性能的不确定性量化方法，具体包括不确定性测量策略、不确定性引导策略和不确定性后处理策略。

技术介绍

[0002]深度估计是诸多复杂计算机视觉任务的重要一环，例如增强现实中的虚拟物体摆放和碰撞检测，场景重建中的遮挡判定，自动驾驶中的距离检测等。深度估计的方法分为两类，一类是使用LiDAR和ToF这样的工业测距设备进行主动测距，另一类是结合消费级相机和基于机器学习的方法来进行深度估计。工业测距设备通过计量光的飞行时间来计算距离，抗干扰性强，易于标定，精度较高，但是设备成本高昂，工作环境受限，传感器自带噪声并且功耗高，生成深度图的分辨率和帧率都十分有限。基于机器学习的深度估计方法则不需要复杂的传感器，成本较低，并且可以提供更高分辨率和帧率的深度图。
[0003]基于机器学习的深度估计方法分为两类：传统方法和基于深度学习的方法。传统方法基于多视图几何或者机器学习模型对单幅图像进行深度估计。代表方法有双目立体匹配，运动恢复结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种单目深度估计模型学习性能的不确定性量化方法，其特征在于，包括以下步骤：步骤1，选择基线模型；步骤2，使用基线模型的原有参数进行自监督训练；步骤3，分别基于Snapshot策略和Siam策略计算单目深度模型方差，方差大于阈值的区域判定为不确定性区域；步骤4，基于步骤3中计算的不确定性进行不确定性区域评估，判定不确定性高于阈值的区域为不确定性区域，同时赋予高训练权重，其中，选择不确定性掩膜均值作为阈值来区分不确定性区域；步骤5，训练完成后分别基于Snapshot策略和Siam策略构建模型集合，Snapshot策略通过选取模型迭代过程中倒数N个迭代周期保存的模型构建集合，Siam策略通过选取模型迭代过程中最后1个迭代周期保存的两个子模型构建集合，N不包含正在训练的第i个模型；步骤6，Snapshot策略构建的集合，对于不确定性高的区域，使用最后一个迭代周期保存的模型进行深度估计，对于不确定性低的区域，使用集合均值进行估计；Siam策略构建的集合，对于不确定性高的区域，使用两个子模型中性能较好的子模型进行深度估计，对于不确定性低的区域，使用集合均值进行估计。2.根据权利要求1所述的单目深度估计模型学习性能的不确定性量化方法，其特征在于：所述步骤1中选择Monodepth2和Hints两个基线模型。3.根据权利要求1所述的单目深度估计模型学习性能的不确定性量化方法，其特征在于：所述步骤3的具体过程为：Snapshot策略通过计算相邻迭代周期保存模型的方差来量化不确定性，Siam策略通过计算当前迭代周期内两个子网络的方差来量化不确定性；Snapshot策略和Siam策略按照如下方式来计算不确定性；基线模型Γ在训练到第i
th
个迭代周期，对于输入图像I生成深度图所对应的不确定mask u
m
，函数u
m=
UM()，其公式如下：其中，F表示用于计算不确定性的模型集合，集合成员在Snap...

【专利技术属性】
技术研发人员：肖春霞，郑圣杰，罗飞，
申请(专利权)人：武汉大学，
类型：发明
国别省市：