公开(公告)号：CN110738697B

公开(公告)日：2023-04-07

申请号：CN201910957758.7

申请日：2019-10-10

Applicant: 福州大学

Inventor： 林立雄 ,  黄国辉 ,  汪青 ,  何炳蔚 ,  张立伟 ,  陈彦杰

IPC: G06T7/50 ,  G06F18/2135 ,  G06F18/25 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提出一种基于深度学习的单目深度估计方法，包括：基于用于单目深度估计的无监督卷积神经网络结构,包括：编码器、多尺度特征融合模块、门控自适应解码器和细化单元；包括以下步骤：步骤S1：数据集预处理；步骤S2：构造卷积神经网络的损失函数，输入训练集图像，使用反向传播算法计算损失函数损失值，通过反复迭代减小误差进行参数学习，使预测值逼近真实值，以获得卷积神经网络的最佳权重模型；步骤S3：加载步骤S2已训练好的权重模型，将测试集输入用于单目深度估计的无监督卷积神经网络，获得深度预测图像。其解决了离线训练时计算量大和深度重建中细节部分恢复效果差的问题。

公开(公告)号：CN110738697A

公开(公告)日：2020-01-31

申请号：CN201910957758.7

申请日：2019-10-10

Applicant: 福州大学

Inventor： 林立雄 ,  黄国辉 ,  汪青 ,  何炳蔚 ,  张立伟 ,  陈彦杰

IPC: G06T7/50 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出一种基于深度学习的单目深度估计方法，包括：基于用于单目深度估计的无监督卷积神经网络结构,包括：编码器、多尺度特征融合模块、门控自适应解码器和细化单元；包括以下步骤：步骤S1：数据集预处理；步骤S2：构造卷积神经网络的损失函数，输入训练集图像，使用反向传播算法计算损失函数损失值，通过反复迭代减小误差进行参数学习，使预测值逼近真实值，以获得卷积神经网络的最佳权重模型；步骤S3：加载步骤S2已训练好的权重模型，将测试集输入用于单目深度估计的无监督卷积神经网络，获得深度预测图像。其解决了离线训练时计算量大和深度重建中细节部分恢复效果差的问题。