申请/专利权人：东南大学

申请日：2021-02-02

公开（公告）日：2024-04-16

公开（公告）号：CN112950697B

主分类号：G06T7/593

分类号：G06T7/593;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.07.02#实质审查的生效;2021.06.11#公开

摘要：本发明公开了一种基于CBAM的单目无监督深度估计方法。深度估计是机器人实现对周围环境感知的关键技术之一，基于监督学习的深度估计方法将激光雷达等传感器得到的距离测量值处理后作为真值进行训练，但此过程会占用大量的人力和计算资源，因此其在跨场景中的应用很受限制。本发明在基于无监督学习的深度估计框架下，引入卷积块注意力模块并进行立体图像对的光度重建、视差平滑和左右视差一致性训练，对单目图像进行有尺度的深度估计。使用本发明所提出的方法，能够保留周围环境中物体的深度细节，并提高整体的深度估计精度，同时在跨场景下的泛化能力也能得到保障。

主权项：1.一种基于CBAM的单目无监督深度估计方法，其特征在于：包括以下步骤：步骤1，引入CBAM同Resblock组合成Resblock-CBAM；包括如下具体步骤：a，设置CBAM中的通道注意子模块和空间注意子模块为顺序连接，然后将CBAM与Resblock并行连接形成ConventionalResblock-CBAM，最后的输出方程如式1所示：Fc＝Fr+Fr”1式中，为Resblock的输出特征，为CBAM空间注意子模块的输出特征，为ConventionalResblock-CBAM的输出特征；b，设置CBAM中的通道注意子模块和空间注意子模块为顺序连接，然后将CBAM与Resblock串行连接形成ModifiedResblock-CBAM，最后的输出方程如式2所示：FM＝Fr”2式中，为ModifiedResblock-CBAM的输出特征；c，CBAM中通道注意子模块和空间注意子模块的具体过程如式3所示： 式中为CBAM通道注意子模块的输出特征；为一维通道的注意力映射图，为二维空间注意力映射图，表示逐像素相乘；步骤2，基于Resblock-CBAM设计带注意力机制的深度估计网络；步骤3，针对立体图像对的光度重建、视差平滑和左右视差一致性对深度估计网络进行训练，并完成对单目图像的深度估计。

全文数据：

权利要求：

百度查询： 东南大学 一种基于CBAM的单目无监督深度估计方法

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