可泛化的通用单目深度图推理方法、系统、介质及设备

文档序号:34275337发布日期:2023-05-27 11:44阅读:来源:国知局

技术特征:

1.可泛化的通用单目深度图推理方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的可泛化的通用单目深度图推理方法,其特征在于,步骤s1中,输入数据包括视觉图像与可选的原始深度图;监督数据为与输入数据同视点的深度图。

3.根据权利要求2所述的可泛化的通用单目深度图推理方法,其特征在于,采用对监督深度图人工退化的方法获取可选的原始深度图,具体为:

4.根据权利要求1所述的可泛化的通用单目深度图推理方法,其特征在于,步骤s2中,强泛化损失函数具体为:

5.根据权利要求4所述的可泛化的通用单目深度图推理方法,其特征在于,尺度自适应损失具体为:

6.根据权利要求4所述的可泛化的通用单目深度图推理方法,其特征在于,尺度不变的多尺度梯度损失具体为:

7.根据权利要求1所述的可泛化的通用单目深度图推理方法,其特征在于,步骤s3中,7层u型卷积神经网络除初始层,每层包含三个改进卷积运算块,改进卷积运算块采用基于rezero技术的无标准化层的残差卷积运算块,由lrelu激活函数与卷积堆叠而成。

8.一种可泛化的通用单目深度图推理系统,其特征在于,包括:

9.一种存储一个或多个程序的计算机可读存储介质,其特征在于,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行权利要求1至7任一所述的方法。

10.一种计算设备,其特征在于,包括:


技术总结
本发明公开了一种可泛化的通用单目深度图推理方法、系统、介质及设备,获取包含输入数据和监督数据的训练数据集;构建用于通用单目深度图推理的强泛化损失函数;构建由改进卷积运算块堆叠的7层U型卷积神经网络;基于训练数据集和强泛化损失函数,采用梯度下降方法对7层U型卷积神经网络进行训练,利用训练好的U型卷积神经网络推理得到同视点的深度图。本发明能够适应传感器与应用场景的变化,且能够处理未见过的应用场景,具有较好的通用性与较强的泛化性。

技术研发人员:杨勐,王昊天,郑南宁
受保护的技术使用者:西安交通大学
技术研发日:
技术公布日:2024/1/12
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1