-
公开(公告)号：CN110910327B
公开(公告)日：2023-04-07
申请号：CN201911170122.4
申请日：2019-11-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于掩模增强网络模型的无监督深度补全方法，包括以下步骤：步骤S1：采集KITTI数据集；步骤S2：构建用于输出稠密深度图的深度图网络模型和用于输出连续两帧之间运动物体和梯度较小区域的掩膜网络模型；步骤S3：构建网络训练的损失函数；步骤S4：根据得到的训练集，对深度图网络和掩膜网络进行无监督训练，并保存深度图网络模型和掩膜网络模型的各项权重值；步骤S5：根据验证集，对深度图网络超参数的调整，重复步骤S4，得到优化后的深度图网络模型；步骤S6：将待补全深度图输入优化后的深度图网络模型，进行深度补全，得到深度补全后的深度图。本发明可以对深度图进行更好补全，用于自动驾驶车辆能够实现更好的进行避障、建图的处理。
-
公开(公告)号：CN110910327A
公开(公告)日：2020-03-24
申请号：CN201911170122.4
申请日：2019-11-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于掩模增强网络模型的无监督深度补全方法，包括以下步骤：步骤S1：采集KITTI数据集；步骤S2：构建用于输出稠密深度图的深度图网络模型和用于输出连续两帧之间运动物体和梯度较小区域的掩膜网络模型；步骤S3：构建网络训练的损失函数；步骤S4：根据得到的训练集，对深度图网络和掩膜网络进行无监督训练，并保存深度图网络模型和掩膜网络模型的各项权重值；步骤S5：根据验证集，对深度图网络超参数的调整，重复步骤S4，得到优化后的深度图网络模型；步骤S6：将待补全深度图输入优化后的深度图网络模型，进行深度补全，得到深度补全后的深度图。本发明可以对深度图进行更好补全，用于自动驾驶车辆能够实现更好的进行避障、建图的处理。
-
公开(公告)号：CN110942484B
公开(公告)日：2022-07-12
申请号：CN201911169783.5
申请日：2019-11-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于遮挡感知和特征金字塔匹配的相机自运动估计方法，首先，获取单目相机采集的图像，剔除其中相机静止时采集的图像；其次，标定相机参数，获得相机内参和畸变系数，对相机采集的图像消畸变；在训练时，搭建深度预测网络、相机运动网络和遮挡感知掩膜网络，构建无监督学习的损失函数，并将事先准备好的图像、相机内参用于训练这三个卷积神经网络，并将训练后获得的卷积神经网络参数保存下来；在单目深度预测时，将新的单目图像输入已经训练好的深度预测网络中，得到稠密的单目深度图；输入连续多帧图像到相机运动网络，相机运动网络的输出即为相机自运动的结果。本发明可以预测单目图像深度和单目图像序列之间相机的自运动。
-
公开(公告)号：CN110942484A
公开(公告)日：2020-03-31
申请号：CN201911169783.5
申请日：2019-11-26
Applicant: 福州大学
Abstract: 本发明涉及一种基于遮挡感知和特征金字塔匹配的相机自运动估计方法，首先，获取单目相机采集的图像，剔除其中相机静止时采集的图像；其次，标定相机参数，获得相机内参和畸变系数，对相机采集的图像消畸变；在训练时，搭建深度预测网络、相机运动网络和遮挡感知掩膜网络，构建无监督学习的损失函数，并将事先准备好的图像、相机内参用于训练这三个卷积神经网络，并将训练后获得的卷积神经网络参数保存下来；在单目深度预测时，将新的单目图像输入已经训练好的深度预测网络中，得到稠密的单目深度图；输入连续多帧图像到相机运动网络，相机运动网络的输出即为相机自运动的结果。本发明可以预测单目图像深度和单目图像序列之间相机的自运动。
-
-
-
Search Results
4
records
(took 0.016 seconds)
