【技术实现步骤摘要】
一种基于自蒸馏和偏移映射的自监督室内深度估算方法
[0001]本专利技术涉及图像处理
,尤其涉及一种基于自蒸馏和偏移映射的自监督室内深度估算方法。
技术介绍
[0002]单目深度估计是计算机视觉中一个具有挑战性的课题,其目的是从单幅图像中预测像素级的场景深度。近年来,自监督方法[1,2,3]由于可以在没有地面真相深度标签的情况下进行训练而受到了广泛关注。
[0003]现有的自监督单眼深度估计方法根据训练数据的类型大致可分为两类:用单目视频序列训练的方法[4,5,6]和用立体对训练的方法[1,2,3]。以单目视频序列训练的方法旨在同时估计摄像机姿态和预测场景深度。Zhou等人[6]提出了一种端到端方法,该方法由两个独立的网络组成,用于预测深度和摄像机姿态。Guizilini等人[7]提出了PackNet,其中向上采样和向下采样操作通过3D卷积重新实现。Godard等人[8]在Monodepth2中引入了逐个像素最小重投影损失、自动掩模损失和全分辨率采样。Shu等人[49]设计了在特征图上定义的特征
‑
度量损失,用于处理图像中差异性较小的区域。此外,一些学者研究了联合使用单目视频和额外语义信息学习深度的框架。还有一些学者研究了联合学习光流、深度和相机姿势,设计了可以处理具有挑战性的环境下的自监督单眼深度估计算法框架,如针对室内环境和夜间环境。
[0004]用立体图像对训练的方法一般通过预测输入立体图像对之间的视差来估计场景深度。Garg等人提出了一项开创性的工作,在训练阶段使用预测 ...
【技术保护点】
【技术特征摘要】
1.一种基于自蒸馏和偏移映射的自监督室内深度估算方法,其特征在于,包括如下步骤:S1:搭建基于自蒸馏和偏移映射的自监督室内深度估算模型;S2:以数据集FlyingThings3D中的各训练图片为输入,以训练图片对应的的深度图为输出,对所述基于自蒸馏和偏移映射的自监督室内深度估算模型进行训练,得到基于自蒸馏和偏移映射的自监督室内深度估算系统;S3:将数据集FlyingThings3D中的测试图片集输入所述于自蒸馏和偏移映射的自监督室内深度估算系统,并输出所述测试图片集的深度图,即为最终的深度估算结果。2.根据权利要求1所述的一种基于自蒸馏和偏移映射的自监督室内深度估算方法,其特征在于,所述基于自蒸馏和偏移映射的自监督室内深度估算模型包括:编码器模块和解码器模块;所述编码器模块包括:patch embedding层和四个相同的transformer层;所述四个相同的transformer层为:transformer
‑
1、transformer
‑
2、transformer
‑
3和transformer
‑
4;所述解码器模块包括:三个相同的SDFA模块、一个卷积层和两个并列的3*3卷积层;所述三个相同的SDFA模块为:SDFA
‑
1、SDFA
‑
2和SDFA
‑
3;所述patch embedding层、transformer
‑
1、transformer
‑
2、transformer
‑
3和transformer
‑
4、SDFA
‑
3、SDFA
‑
2、SDFA
‑
1、一个卷积层、两个并列的3*3卷积层按顺序串联;所述patch embedding层:用于对图像进行降维操作;所述transformer层:用于提取图像的多尺度特征;所述SDFA模块:用于自适应聚合多尺度特征与可学习偏移映射;所述卷积层:用于将聚合特征的空间分辨率恢复到输入图像的大小;所述的3*3卷积层:用于输出原始深度和蒸馏深度两种深度表示。3.根据权利要求2所述的一种基于自蒸馏和偏移映射的自监督室内深度估算方法,其特征在于,所述SDFA模块用于自适应聚合多尺度特征与可学习偏移映射的具体过程包括:所述SDFA模块同时接受来自前一层的低尺度解码特征和来自所述编码器模块中对应的所述transformer层的图像多尺度特征,接着该所述SDFA模块对两者进行聚合操作,并输出聚合的特征。4.根据权利要求3所述的一种基于自蒸馏和偏移映射的自监督室内深度估算方法,其特征在于,所述SDFA模块包括:编码器同层特征提取模块、解码器上层特征提取模块、三个并联的网络中间层、一个3*3卷积层和一个ELU激活函数;所述编码器同层特征提取模块包括:按顺序串联的一个3*3卷积层、一个BN层和一个ELU激活函数;所述解码器上层特征提取模块包括:按顺序串联的一个3*3卷积层、一个BN层、一个ELU激活函数和上采样层;所述网络中间层包括:按顺序串联的一个1*1卷积层、一个BN层、一个ELU激活函数和一个3*3卷积;所述编码器同层特征提取模块和解码器上层特征提取模块并联后,依次跟所述三个并联的网络中间层、一个3*3卷积层和一个ELU激活函数串联;三个所述SDFA模块记为SADF
‑
i(i=1,2,3)模块;所述SADF
‑
i(i=1,2,3)模块接受来自前一层的低尺度解码特征F
i+1
,然后所述低尺度解码特征F
i+1
按顺序依次经过一个3*3卷积
层、一个BN层和一个ELU激活函数,接着经过所述上采...
【专利技术属性】
技术研发人员:康亚飞,赵金升,王猛,
申请(专利权)人:徐州华讯科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。