一种基于多尺度特征融合的单目深度估计方法.pdf
绮兰****文章
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于多尺度特征融合的单目深度估计方法.pdf
本发明涉及一种基于多尺度特征融合的单目深度估计方法,属于三维场景感知领域,包括以下步骤:S1:引入Non‑Local注意力机制,构造混合的归一化函数;S2:在特征提取网络的本层特征、深层特征和浅层特征之间引入注意力机制,计算特征图上特征之间的关联信息矩阵;S3:构建多尺度特征融合模块;S4:在解码网络引入空洞空间金字塔池化模块,扩大卷积的感受野,迫使网络学习更多的局部细节信息。本发明有效的实现了特征提取网络分层特征之间跨空间和跨尺度的特征融合,提高了网络学习局部细节的能力并使深度图在重建过程中完成了细粒度
基于细粒度多特征融合的矿井图像无监督单目深度估计方法.pdf
本发明提供一种基于细粒度多特征融合的矿井图像无监督单目深度估计方法,包括以下步骤:步骤1:对原图多次采样,将不同尺度的图像输入到编码器网络;步骤2:将编码器的输出通过扩展卷积模块进行融合并输入到解码器网络;步骤3:将解码器网络输出的视差图进行多尺度融合;步骤4:重建视图;通过采用多尺度图像输入到网络,同时将解码器输出的视差图进行逐层的尺度融合,加强弱纹理区域的深度估计效果,并且增加中间扩展卷积模块,加大对全局信息的理解。
一种基于多尺度CNN和连续CRF的单目图像深度估计方法.pdf
本发明公开了一种基于多尺度CNN和连续CRF的单目图像深度估计方法,其利用CRF模型根据DCNN的输出深度图计算单点势能,根据输入RGB图像计算成对稀疏势能,最后用MAP(最大化后验概率)算法推导出优化的深度图。本发明结合了多尺度CNN和连续CRF优化思想,不仅能够以较高的精确度估计出深度图,又能使得到的深度图轮廓清晰;本发明所估计的深度有比较高的分辨率,而且所得到的深度图能保留场景中所有对象的深度细节信息,具有更好的视觉效果。
基于自注意力导向特征融合的自监督单目深度估计方法.pdf
本发明公开一种基于注意力导向特征融合的自监督单目深度估计方法,本发明在编码器中加入通道自注意力模块用以捕获结构场景中更多的全局上下文信息,进而增强特征表示;在解码器中设计基于空间交叉注意力机制的特征融合模块,将增强的特征作为high‑level的特征来引导low‑level特征进一步校准解码器中的特征,以强调特定的语义信息,增强在非连续区域的特征表示能力;最后,解码器输出连接多层深度估计模块,以监督解码器中间层的结果,提高深度估计的精度,防止粗尺度上的估计误差累积并影响到细尺度上的估计,获得更加准确的深度
一种基于卷积网络多尺度特征融合的鞋印身高估计方法.pdf
本发明提供了一种基于卷积网络多尺度特征融合的鞋印身高估计方法,属于刑事侦查技术领域。技术方案:将鞋印旋转校正;将鞋印进行中心化处理;对异常数据进行处理;将鞋印数据增广;通过多尺度特征提取网络对图像进行处理;通过金字塔特征融合网络对图像进行处理;通过全局结构特征提取网络对图像进行处理;通过身高回归预测网络输出预测身高。有益效果:本发明使用多尺度特征提取网络提取出不同尺度的图像特征并通过金字塔特征融合网络进行多尺度特征融合,最大限度地保留了图像中深层的特征语义信息特征和浅层的空间信息特征;保证泛化能力的基础上