改进卷积空间传播网络的单目图像深度估计
单目图像深度估计是计算机视觉领域中的一个基本问题,卷积空间传播网络(CSPN)是现阶段最先进的单目图像深度估计方法之一.针对CSPN在预测密集深度图时存在部分物体结构变形和物体间边缘模糊不清的边界混合问题,分别从网络结构与损失函数两部分进行了改进.对输入稀疏深度图进行了 3次不同尺寸下采样,并将其加入到U-Net模块相应的编码过程和跳跃连接部分,以使其能够更精确地捕捉不同尺度的物体结构.并使用深度误差对数、深度信息梯度及表面法线这3种损失函数加权组合形成的改进损失函数来替换原始损失函数.在NYU-Depth-V2数据集上的实验结果表明,改进卷积空间传播网络(ICSPN)与CSPN相比,其均方根误差RMSE降低了 17.23％,平均相对误差REL降低了 28.07％.ICSPN充分利用了输入稀疏深度图,减小了预测密集深度图中物体结构的变形,同时采用带有梯度损失的损失函数对训练过程进行监督,降低了物体边缘位置误差,减少了边界混合问题的产生.
深度估计、单目视觉、深度学习、卷积空间传播网络、梯度损失
44
TP391.4(计算技术、计算机技术)
国家自然科学基金U20A20293
2022-05-06（万方平台首次上网日期，不代表论文的发表时间）
共8页
78-85
