申请/专利权人：上海海事大学

申请日：2021-08-11

公开（公告）日：2024-03-22

公开（公告）号：CN113592021B

主分类号：G06V10/75

分类号：G06V10/75;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/047;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2021.11.19#实质审查的生效;2021.11.02#公开

摘要：本发明公开了一种基于可变形和深度可分离卷积的立体匹配方法，包括：将左图像和右图像输入至可变形特征提取网络模型提取有效特征，所述左图像和所述右图像分别为双目视觉相机所得到的两个图像；将所述有效特征通过级联操作，融合后获得成本量；将所述成本量输入至深度可分离3DCNN网络模型，学习不同尺度、位置和形态的特征，聚合有效信息，得到3DCNN网络学习后的图像；使用上采样将3DCNN网络学习到的图像还原到原始图像大小；使用softmax函数对还原后的图像进行视差回归预测，输出视差图。应用本发明实施例，自适应物体特征形变,扩大有效感受野，减少信息损失；深度可分离卷积，融入学习网络，减少3DCNN带来的巨大参数，减少运算量。

主权项：1.一种基于可变形和深度可分离卷积的立体匹配方法，其特征在于，包括：将左图像和右图像输入至可变形特征提取网络模型提取有效特征，所述左图像和所述右图像分别为双目视觉相机所得到的两个图像；将所述有效特征通过级联操作，融合后获得成本量；将所述成本量输入至深度可分离3DCNN网络，学习不同尺度、位置和形态的特征，聚合有效信息，得到3DCNN网络学习后的图像；使用上采样将3DCNN网络学习后的图像还原成所述左图像的尺寸，所述左图像和所述右图像的尺寸相同；使用softmax函数对还原后的图像进行视差回归预测，输出视差图；对立体匹配整体网络进行迭代训练，训练过程中使用联合损失函数：L＝LL1+λLLog-cosh其中，LL1为平滑L1损失函数，LLog-cosh为Log-cosh损失函数，λ为LLog-cosh的权重，所述立体匹配整体网络包括：可变形特征提取网络模型和3DCNN网络；LL1为smooth_loss： LLog-cosh为Log-cosh_loss： 其中,N为标记的像素个数，d为背景真值，为预测视差值；可变形卷积和可变形卷积核输出像素为： 有效感受野为： 其中，I表示图像,W表示卷积核，i,j代表采样位置，k代表卷积核位置，m代表第m个卷积核，n表示每一层的索引，Δj表示采样位置j的偏移量，Δk表示卷积核位置k的偏移量。

全文数据：

权利要求：

百度查询： 上海海事大学 一种基于可变形和深度可分离卷积的立体匹配方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD