基于轻型自限制注意力的结构光相位及深度估计混合网络
相位提取与深度估计是结构光三维测量中的重点环节,目前传统方法在结构光相位提取与深度估计方面存在效率不高、结果不够鲁棒等问题.为了提高深度学习结构光的重建效果,本文提出了一种基于轻型自限制注意力(Light Self-Limited-Attention,LSLA)的结构光相位及深度估计混合网络,即构建一种CNN-Transformer的混合模块,并将构建的混合模块放入U型架构中,实现CNN与Transformer的优势互补.将所提出的网络在结构光相位估计和结构光深度估计两个任务上进行实验,并和其他网络进行对比.实验结果表明:相比其他网络,本文所提出的网络在相位估计和深度估计的细节处理上更加精细,在结构光相位估计实验中,精度最高提升 31%;在结构光深度估计实验中,精度最高提升26%.该方法提高了深度神经网络在结构光相位估计及深度估计的准确性.
结构光、深度学习、自限制注意力、相位估计、深度估计
17
TP394.1;TH691.9(计算技术、计算机技术)
2024-02-03(万方平台首次上网日期,不代表论文的发表时间)
共10页
118-127