[发明专利]一种基于深度预测和增强子网络的高质量深度估计方法

摘要

本发明公开了一种基于深度预测和增强子网络的高质量深度估计方法，属于图像处理和计算机视觉领域。本方法通过搭建深度预测子网络对彩色图进行深度预测，并采用深度增强子网络对深度预测子网络得到的低分辨率图进行分辨率恢复，进而得到高分辨率的深度预测图。本方法程序简单，易于实现；系统容易构建，用卷积神经网络即可端到端的从单张彩色图得到对应的高质量的深度图；通过彩色图像高频信息恢复深度预测子网络下采样所损失的信息，最终得到高质量高分辨率的深度图；采用空间池化金字塔结构有效的解决了物体尺寸不一带来的预测准确率的问题。

主权项

1.一种基于深度预测和增强子网络的高质量深度预测方法，其特征在于，包括如下步骤：1)准备初始数据：初始数据包括用来训练的彩色图和对应的深度图，以及用来测试的彩色图和对应的深度图；2)深度预测子网络的构建：2‑1)利用扩张率为2的空洞卷积(Fisher Yu and VladlenKoltun,“Multi‑scale context aggregation by dilated convolutions,”CoRR,vol.abs/1511.07122,2015.)取代ResNet‑101(101层残差网络)中最后两个下采样层；在特征图分辨率不下降的情况下增大感受野的大小；2‑2)利用四个扩张率不同的空洞卷积代替ResNet‑101最后的全连接层实现空间金字塔结构；所述不同扩张率分别为6、12、18、24；不同扩张率的空洞卷积有效准确的实现对不同尺度物体的覆盖，从而提高对不同尺寸物体深度预测的准确度，同时大大提高了时间效率；3)深度增强子网络的构建：利用递进的卷积神经网络结构替代常见的线性插值和上采样结构，接在深度预测子网络的后面实现深度图分辨率的恢复；4)基于步骤(2)和步骤(3)得到卷积神经网络进行训练。