您当前的位置： 首页 > 论文 > 2023,54(05) > 信息与计算机
基金项目:
山西省自然科学基金资助项目(201801D121142)；山西省回国留学人员科研资助项目
分类号:
TP391
DOI:
10.16355/j.tyut.1007-9432.2023.05.013
期刊号:
2023,54(05)
收稿日期:
2022-04-29
修回日期:
2022-06-01
| 通讯作者 | 单位 |
| 王园宇 | 太原理工大学信息与计算机学院 |
摘要:
【目的】 针对粉尘环境中单幅图像深度预测精度低的问题，提出了一种基于输入特征稀疏化的粉尘图像深度预测网络。【方法】 使用粉尘图像的直接传输率与深度的关系设计预估计深度网络，利用图像颜色衰减先验原理进一步获取粉尘图像的稀疏深度特征。将该稀疏深度特征与粉尘图像一起作为深度预测网络的输入。深度预测网络以“编码器-解码器”为模型框架，编码器中使用残差网络(ResNet)对粉尘图像进行编码，设计融合通道注意力机制的稀疏卷积网络对稀疏深度特征进行编码。解码器中采用反卷积以及多尺度上采样的方法，以更好的重建稠密的深度信息。使用最小绝对值损失和结构相似性损失作为边缘保持损失函数。【结论】 在NYU-Depth-v2数据集上的实验结果表明该方法能够从粉尘图像中有效预测深度信息，平均相对误差降低到0.054，均方根误差降低到0.610，在δ<1.25时准确率达到0.967.
关键字:
粉尘图像；稀疏深度样本；深度预测；颜色衰减先验；残差网络；稀疏卷积;