摘要
MonoDepth2的提出使自监督单目深度估计取得了重大的进展,但该网络在大的无语义区域和边界处预测效果并不理想,主要原因是基础的U-Net框架没有充分利用多尺度特征信息,导致来自于大梯度区域的深度估计较差.针对此问题,本文提出了一个改进的DepthNet,层级特征融合网络(hierarchical integration net,HINet).优化了U-Net网络结构,使编码器端在每一层都能产生不同尺度的特征信息,从而让解码器端在每一层都能够充分融合多尺度特征.由于不同尺度的特征信息对于特定的解码器层都有不同程度的贡献,本文提出的层级特征融合算法还增加了通道注意力模块,提升重要特征尺度的权重.当采用立体图像对进行训练时,本文对数据进行了预处理,并增加了立体对的深度暗示损失函数.在KITTI数据集上的实验结果表明,所有指标均获得了不同程度的提升,其中绝对相对误差减少了0.09,平方相对误差减少了0.093.
基金项目
国家自然科学基金(52074341)
国家自然科学基金(51874340)
中央高校基本科研业务费专项(19CX02030A)
NETL
NSTL
维普
万方数据