System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请实施例涉及稀疏深度的深度完成领域,更具体的,是深度完成训练方法、图像处理设备以及计算机可读存储介质。
技术介绍
1、场景深度感知在很多领域应用广泛,诸如机器人、自动驾驶和增强现实等。传统上的场景深度的获取依靠各色各样的传感器,如雷达、立体相机和rgbd相机等。但这些设备存在高成本、高功耗和测量距离有限等缺点。近些年,基于深度学习的编码器-解码器深度估计技术发展迅猛,其中基于稀疏深度的深度完成方法又因其高可行性受到了众多研究者的深入研究。
2、现有的稀疏深度的深度完成训练方法是,获得待处理图像样本及所述待处理图像样本对应的稀疏深度图样本,将待处理图像样本及所述待处理图像样本对应的稀疏深度图样本输入老师模型后,得到老师模型输出的待处理图像样本的稠密深度图,将待处理图像样本及所述待处理图像样本对应的稀疏深度图样本输入学生模型,由所述学生模型输出的所述待处理图像样本对应的预测稠密深度图,当所述预测稠密深度图与所述老师模型输出的稠密深度图之间的损失满足收敛条件时,得到训练完成的学生模型。
3、但是,稀疏深度图样本具有稀疏性,现有的稀疏深度的深度完成训练方法只是依靠实况稀疏深度值、多视觉几何约束和基于深度完成模型的知识蒸馏来监督模型训练,场景全局特征的提取能力较弱,因此学习到的场景全局特征的准确性较低。
技术实现思路
1、本申请实施例提供了一种稀疏深度的深度完成训练方法、图像处理设备以及计算机可读存储介质,用于在提高学习到的场景全局特征的准确性的情况下,进行稀疏深
2、第一方面,本申请实施例提供了一种稀疏深度的深度完成训练方法,包括:
3、获得待处理图像样本及所述待处理图像样本对应的稀疏深度图样本;
4、获得所述待处理图像样本对应的监督稠密深度图;其中所述监督稠密深度图包括各场景区域之间的深度关联,及各场景区域的全局特征;
5、将所述待处理图像样本及所述待处理图像样本对应的稀疏深度图样本输入学生模型,由所述学生模型获得所述稀疏深度图样本的近特征和远特征,并融合所述稀疏深度图样本的近特征和远特征得到融合特征图,确定所述融合特征图中每个通道的重要程度,基于所述每个通道的重要程度确定每个通道对应的权重,基于每个通道对应的权重确定通道注意力增强后的第一特征图,确定所述第一特征图中每个区域之间的空间关联性,基于所述每个区域之间的空间关联性确定每个区域对应的权重,基于每个区域对应的权重确定空间注意力增强后的第二特征图,得到所述学生模型输出的所述待处理图像样本对应的预测稠密深度图;其中所述第二特征图为所述预测稠密深度图;
6、当所述预测稠密深度图与所述监督稠密深度图之间的损失满足收敛条件时,得到第一训练完成的学生模型。
7、第二方面,本申请实施例提供了一种稀疏深度的深度完成方法,包括:
8、获得待处理图像及所述待处理图像对应的稀疏深度图;
9、将所述待处理图像及所述待处理图像对应的稀疏深度图输入预先训练的学生模型,由所述学生模型获得所述稀疏深度图的近特征和远特征,并融合所述稀疏深度图的近特征和远特征得到融合特征图,确定所述融合特征图中每个通道的重要程度,基于所述每个通道的重要程度确定每个通道对应的权重,基于每个通道对应的权重确定通道注意力增强后的第一特征图,确定所述第一特征图中每个区域之间的空间关联性,基于所述每个区域之间的空间关联性确定每个区域对应的权重,基于每个区域对应的权重确定空间注意力增强后的第二特征图,得到所述学生模型输出的所述待处理图像对应的稠密深度图;其中所述第二特征图为所述稠密深度图。
10、第三方面,本申请实施例提供了一种图像处理设备,包括:
11、中央处理器,存储器,输入输出接口,有线或无线网络接口以及电源;
12、所述存储器为短暂存储存储器或持久存储存储器;
13、所述中央处理器配置为与所述存储器通信,并执行所述存储器中的指令操作以执行前述稀疏深度的深度完成训练方法或稀疏深度的深度完成方法。
14、第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质包括指令,当指令在计算机上运行时,使得计算机执行前述稀疏深度的深度完成训练方法或稀疏深度的深度完成方法。
15、第五方面,本申请实施例提供了一种包含指令的计算机程序产品,当计算机程序产品在计算机上运行时,使得计算机执行前述稀疏深度的深度完成训练方法或稀疏深度的深度完成方法。
16、从以上技术方案可以看出,本申请实施例具有以下优点:可以由学生模型获得稀疏深度图样本的近特征和远特征,并融合稀疏深度图样本的近特征和远特征得到融合特征图,确定融合特征图中每个通道对应的权重确定通道注意力增强后的第一特征图,确定每个区域对应的权重确定空间注意力增强后的预测稠密深度图,当预测稠密深度图与监督稠密深度图之间的损失满足收敛条件时,得到第一训练完成的学生模型。场景全局特征的提取能力较强,因此学习到的场景全局特征的准确性较高。
本文档来自技高网...【技术保护点】
1.一种稀疏深度的深度完成训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述学生模型包括新视角图像生成模块;
3.根据权利要求2所述的方法,其特征在于,所述获得所述待处理图像样本对应的监督稠密深度图,包括:
4.根据权利要求3所述的方法,其特征在于,所述基于每个老师模型对应的误差特征图确定所述待处理图像样本对应的监督稠密深度图,包括:
5.根据权利要求3所述的方法,其特征在于,所述学生模型包括立体视觉模型;
6.根据权利要求5所述的方法,其特征在于,所述基于每个老师模型对应的误差特征图和所述学生模型对应的误差特征图确定所述待处理图像样本对应的监督稠密深度图,包括:
7.根据权利要求5所述的方法,其特征在于,所述基于每个老师模型对应的误差特征图和所述学生模型对应的误差特征图确定所述待处理图像样本对应的监督稠密深度图,包括:
8.一种稀疏深度的深度完成方法,其特征在于,包括:
9.一种图像处理设备,其特征在于,包括:
10.一种计算机可读存储介质,其特
...【技术特征摘要】
1.一种稀疏深度的深度完成训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述学生模型包括新视角图像生成模块;
3.根据权利要求2所述的方法,其特征在于,所述获得所述待处理图像样本对应的监督稠密深度图,包括:
4.根据权利要求3所述的方法,其特征在于,所述基于每个老师模型对应的误差特征图确定所述待处理图像样本对应的监督稠密深度图,包括:
5.根据权利要求3所述的方法,其特征在于,所述学生模型包括立体视觉模型;
6.根据权利要求5所述的方法,其特征在于,所述基于每个老师模型对应...
【专利技术属性】
技术研发人员:郭佳伟,周鸿钧,丁宁,张爱东,
申请(专利权)人:深圳市人工智能与机器人研究院,
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。