基于全卷积编解码网络的单目图像深度估计

摘要：

针对传统方法在单目图像深度估计时精度低、速度慢等问题,提出一种全卷积编码-解码网络模型,该模型将稀疏的深度样本集和RGB图像作为输入,编码层由Resnet和一个卷积层组成,解码层由两个上采样层和一个双线性上采样层组成,上采样层采用上卷积模块和上投影模块交叉使用,有效降低了棋盘效应并保留了预测深度图像的边缘信息.同时,模型中使用了全卷积,使得参数减少,提升了预测速度.在NYU-Depth-v2数据集上验证了网络模型的有效性与优越性.实验结果表明,在仅使用RGB图像进行深度预测的情况下,与多尺度卷积神经网络相比,该模型在精度δ<1.25上提高约4％,均方根误差指标降低约11％;与仅使用RGB图像相比,添加100个空间随机深度样本,均方根误差降低约26％.

关键词：单目图像深度估计、卷积神经网络、深度残差网络、稀疏深度测量

所属期刊栏目：57

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;天津市自然科学基金

在线出版日期：2021-07-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：231-236