CN106780588A - 一种基于稀疏激光观测的图像深度估计方法 - Google Patents
一种基于稀疏激光观测的图像深度估计方法 Download PDFInfo
- Publication number
- CN106780588A CN106780588A CN201611126056.7A CN201611126056A CN106780588A CN 106780588 A CN106780588 A CN 106780588A CN 201611126056 A CN201611126056 A CN 201611126056A CN 106780588 A CN106780588 A CN 106780588A
- Authority
- CN
- China
- Prior art keywords
- depth
- laser
- sparse
- estimation
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本方法公开了一种基于稀疏激光观测的图像深度估计方法,该方法提出利用单线或多线激光的稀疏观测实现基于单目图像的深度稠密重构。通过构造参考深度图与残差深度图的方式训练深度神经网络,对稀疏的部分观测深度信息进行了充分利用。本发明相比于仅用单目图像进行深度估计的方法,该方法体现了明显优势。
Description
技术领域
本发明涉及场景深度估计领域,尤其涉及一种基于单目图像和稀疏激光的场景稠密深度估计方法。
背景技术
人类基于丰富的经验和不断地学习,从单目图像也具有估计图像中物体远近的能力,即一定程度上的深度估计能力。近年来,机器学习方法也在模仿人类这一深度估计能力上取得了显著进展,其中尤以数据驱动的深度学习技术表现突出。这一技术避免了手工特征设计过程,基于原始的单目RGB图像学习特征,并输出对于图像对应深度的预测。
Eigen等人首次提出了基于深度学习的单目深度估计,他们构造了一个两阶段的深度估计网络,第一个阶段生成粗略估计并在第二阶段进行精细微调。随后,他们将该工作扩展为同时估计场景深度、深度法向量以及场景语义,并验证了同时估计深度法向量以及语义信息有助于场景深度估计性能提升。Liu等人探讨了结合深度学习与条件随机场的深度估计,对图像进行超像素分割,并对所有超像素构造条件随机场进行优化。Li和Wang分别在其上进行了扩展,通过分层的条件随机场逐层从超像素层面向像素层面优化。
尽管这些方法验证了从单目图像估计深度的可能,实际上单目图像本身是尺度信息缺失的。Eigen等人也提到,基于单目图像的深度估计可能存在一个全局的偏差。
发明内容
本发明的目的在于结合稀疏的单线激光信息估计图像稠密深度,以减小场景深度估计全局偏差,获得可信度更高的场景深度估计。
为实现上述目的,本发明基于深度学习方法,以单目图像和稀疏单线激光为输入,自主学习特征并得到稠密深度估计,训练过程的具体步骤如下:
一种基于稀疏激光观测的深度图像估计方法,其特征在于它包括如下步骤:
步骤一,为将稀疏单线激光信息稠密化,所述稀疏激光包括单线激光和多线激光,其中以稀疏激光中的单线激光构造参考深度图与残差深度图,在三维空间中对单线激光中的每个激光点以垂直地面的方向进行拉伸,得到一个与地面垂直的参考深度面;根据单目相机与单线激光的校准信息,将三维空间中得到的参考深度平面投影到单目相机获取图像的像平面上,得到一个与所述图像对应的参考深度图,将通过深度传感器获取的绝对深度图与参考深度图做差,得到残差深度图;
步骤二,将单目相机获取的单目图像以及按步骤一所述得到的参考深度图作为训练数据,训练卷机神经网络估计对应的残差深度图;
步骤三,将卷机神经网络估计的残差深度图与参考深度图相加,得到估计的绝对深度图,称为绝对深度估计图,并在此基础上进一步构造优化的卷机神经网络,缩小该绝对深度估计图与深度传感器获得的绝对深度图之间的差异;该优化的卷机神经网络与步骤二所述用于估计残差深度的卷机神经网络可以叠加在一起,进行端到端优化,即输入单目图像与参考深度图,输出得到经过优化的绝对深度估计图。
在上述技术方案的基础上,本发明还可以采用一下进一步的技术方案:
将深度神经网络端到端输出得到的绝对深度估计图与稀疏激光深度图通过条件随机场进行融合,从而确认在绝对深度估计图中有单线激光观测的位置其深度值与激光观测的深度值是一致的。
步骤二中,训练卷机神经网络估计对应的残差深度图方式如下:将待拟合的深度残差图上的每个像素点的残差深度的值离散化到数个自然数数值上,以分类形式实现对残差深度的深度估计。
由于采用本发明的技术方案,本发明的有益效果为:本发明能结合部分稀疏的真实深度观测,如单线激光雷达,而获得更为精准的深度估计,本发明能够减小场景深度估计全局偏差,获得可信度更高的场景深度估计。
附图说明
图1a为输入单目图像;
图1b为期望估计的深度图像示例;
图2a为稀疏激光观测;
图2b为参考深度图以;
图2c残差深度图示例;
图3a为深度图像真实;
图3b为优化前深度估计;
图3c为优化后深度估计。
具体实施方式
为了更好的理解本发明的技术方案,以下结合附图作进一步描述。图1展示了深度估计的例子,输入为图1a所示的单目图像,要求估计图1b所示的场景深度。
步骤一,基于单线激光构造参考深度图与残差深度图。图2a展示了在图1中已知的单线激光信息,可见单线激光信息是十分稀疏且有限的。为将稀疏单线激光信息稠密化,在三维空间中对每个激光点以垂直地面的方向进行拉伸,得到一个与地面垂直的参考深度面。根据单目相机与单线激光的校准信息,将三维上得到的参考深度平面对应绘制到图像上,得到一个与图像对应的稠密参考深度图,如图2b所示。将真实深度图与参考深度图做差,得到残差深度图,如图2c所示。
步骤二,基于深度学习,以单目图像和参考深度图为输入,拟合残差深度图。将每个像素的残差深度值离散化到数个整数值上,以分类形式实现深度估计。构造全卷积形式的深度神经网络,实现每个像素上的深度值类别估计。为获得更好的拟合性能和更大的容量,采用He等人提出的50层Deep Residual Network,并以其在ImageNet上训练得到的网络作为初值进行训练。
步骤三,将网络估计的残差深度图与参考深度图相加,得到估计的真实深度图,并在此基础上进一步构造优化网络,缩小该估计的真实深度图与实际真实深度图之间的差异。该优化网络可以与残差估计网络叠加在一起,进行端到端优化。图2展示了深度真值、优化前深度估计与优化后深度估计的比较。
本发明通过在NYUD2数据集上进行实验验证方法的有效性。NYUD2是一个室内RGB-D数据集,本方法在RGB-D数据上模拟生成单线激光数据。本发明的主要优势在与参考深度图与残差深度图的生成与估计。因此,实验比较了相同神经网络结构下,仅采用RGB作为输入预测深度估计真实深度(方案一),采用RGB与参考深度图作为输入估计真实深度(方案二),以及采用RGB与参考深度图估计残差深度图再进一步得到真实深度图(方案三)的结果,并和当前世界领先的基于单目图像的深度估计方法进行比较,具体比较结果如表1所示。
为全方面评估深度估计效果,表1采用6个度量指标。令每个像素点的深度估计值为真实深度值y,T为所有像素点的合集,6个度量指标分别如下:
1.绝对相对误差(rel),
2.平均Log误差(log10),
3.均方平均误差(rms),
4.三个阈值准确率(δi),满足条件的所占
所有像素点的比例。
从表1结果可见,激光稠密化后直接作为输入可以对深度估计的性能进行一定提升,而通过残差估计加上后续优化的方式则可以进一步提升深度估计性能。相比于其余世界领先的单目图像深度估计算法,本方法在各项指标上都有明显优势。
表1 NYUD2数据集深度估计对比。
上述实施例是对本发明的说明,不是对本发明的限定,任何对本发明简单变换后的方案均属于本发明的保护范围。
Claims (3)
1.一种基于稀疏激光观测的深度图像估计方法,其特征在于它包括如下步骤:
步骤一,为将稀疏单线激光信息稠密化,所述稀疏激光包括单线激光和多线激光,其中以稀疏激光中的单线激光构造参考深度图与残差深度图,在三维空间中对单线激光中的每个激光点以垂直地面的方向进行拉伸,得到一个与地面垂直的参考深度面;根据单目相机与单线激光的校准信息,将三维空间中得到的参考深度面投影到单目相机获取图像的像平面上,得到一个与所述图像对应的参考深度图,将通过深度传感器获取的绝对深度图与参考深度图做差,得到残差深度图;
步骤二,将单目相机获取的单目图像以及按步骤一所述得到的参考深度图作为训练数据,训练卷机神经网络估计对应的残差深度图;
步骤三,将卷机神经网络估计的残差深度图与参考深度图相加,得到估计的绝对深度图,称为绝对深度估计图,并在此基础上进一步构造优化的卷机神经网络,;该优化的卷机神经网络与步骤二所述用于估计残差深度的卷机神经网络可以叠加在一起,进行端到端优化,即输入单目图像与参考深度图,输出得到经过优化的绝对深度估计图。
2.如权利要求1中所述的一种基于稀疏激光观测的图像深度估计方法,其特征在于将深度神经网络端到端输出得到的绝对深度估计图与稀疏激光深度图通过条件随机场进行融合,从而确认在绝对深度估计图中有单线激光观测的位置其深度值与激光观测的深度值是一致的。
3.如权利要求1中所述的一种基于稀疏激光观测的图像深度估计方法,其特征在于步骤二中,训练卷机神经网络估计对应的残差深度图方式如下:将待拟合的深度残差图上的每个像素点的残差深度的值离散化到数个自然数数值上,以分类形式实现对残差深度的深度估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611126056.7A CN106780588A (zh) | 2016-12-09 | 2016-12-09 | 一种基于稀疏激光观测的图像深度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611126056.7A CN106780588A (zh) | 2016-12-09 | 2016-12-09 | 一种基于稀疏激光观测的图像深度估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780588A true CN106780588A (zh) | 2017-05-31 |
Family
ID=58877585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611126056.7A Pending CN106780588A (zh) | 2016-12-09 | 2016-12-09 | 一种基于稀疏激光观测的图像深度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780588A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992848A (zh) * | 2017-12-19 | 2018-05-04 | 北京小米移动软件有限公司 | 获取深度图像的方法、装置及计算机可读存储介质 |
CN108416840A (zh) * | 2018-03-14 | 2018-08-17 | 大连理工大学 | 一种基于单目相机的三维场景稠密重建方法 |
CN108489496A (zh) * | 2018-04-28 | 2018-09-04 | 北京空间飞行器总体设计部 | 基于多源信息融合的非合作目标相对导航运动估计方法及*** |
CN108510535A (zh) * | 2018-03-14 | 2018-09-07 | 大连理工大学 | 一种基于深度预测和增强子网络的高质量深度估计方法 |
CN109035319A (zh) * | 2018-07-27 | 2018-12-18 | 深圳市商汤科技有限公司 | 单目图像深度估计方法及装置、设备、程序及存储介质 |
CN109087349A (zh) * | 2018-07-18 | 2018-12-25 | 亮风台(上海)信息科技有限公司 | 一种单目深度估计方法、装置、终端和存储介质 |
CN109146944A (zh) * | 2018-10-30 | 2019-01-04 | 浙江科技学院 | 一种基于深度可分卷积神经网络的视觉深度估计方法 |
CN109300151A (zh) * | 2018-07-02 | 2019-02-01 | 浙江商汤科技开发有限公司 | 图像处理方法和装置、电子设备 |
CN109325972A (zh) * | 2018-07-25 | 2019-02-12 | 深圳市商汤科技有限公司 | 激光雷达稀疏深度图的处理方法、装置、设备及介质 |
CN109461178A (zh) * | 2018-09-10 | 2019-03-12 | 中国科学院自动化研究所 | 一种融合稀疏已知标签的单目图像深度估计方法及装置 |
CN110232361A (zh) * | 2019-06-18 | 2019-09-13 | 中国科学院合肥物质科学研究院 | 基于三维残差稠密网络的人体行为意图识别方法与*** |
CN110428462A (zh) * | 2019-07-17 | 2019-11-08 | 清华大学 | 多相机立体匹配方法和装置 |
CN110992271A (zh) * | 2020-03-04 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、路径规划方法、装置、设备及存储介质 |
CN111062981A (zh) * | 2019-12-13 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及存储介质 |
CN111680554A (zh) * | 2020-04-29 | 2020-09-18 | 北京三快在线科技有限公司 | 自动驾驶场景的深度估计方法、装置和自主车辆 |
US10810754B2 (en) | 2018-04-24 | 2020-10-20 | Ford Global Technologies, Llc | Simultaneous localization and mapping constraints in generative adversarial networks for monocular depth estimation |
CN112712017A (zh) * | 2020-12-29 | 2021-04-27 | 上海智蕙林医疗科技有限公司 | 一种机器人和一种单目深度估计方法、***及存储介质 |
CN113034562A (zh) * | 2019-12-09 | 2021-06-25 | 百度在线网络技术(北京)有限公司 | 用于优化深度信息的方法和装置 |
CN113219475A (zh) * | 2021-07-06 | 2021-08-06 | 北京理工大学 | 利用单线激光雷达校正单目测距的方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247075A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于变分机制的室内环境三维重建方法 |
CN104346608A (zh) * | 2013-07-26 | 2015-02-11 | 株式会社理光 | 稀疏深度图稠密化方法和装置 |
CN106157307A (zh) * | 2016-06-27 | 2016-11-23 | 浙江工商大学 | 一种基于多尺度cnn和连续crf的单目图像深度估计方法 |
-
2016
- 2016-12-09 CN CN201611126056.7A patent/CN106780588A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247075A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于变分机制的室内环境三维重建方法 |
CN104346608A (zh) * | 2013-07-26 | 2015-02-11 | 株式会社理光 | 稀疏深度图稠密化方法和装置 |
CN106157307A (zh) * | 2016-06-27 | 2016-11-23 | 浙江工商大学 | 一种基于多尺度cnn和连续crf的单目图像深度估计方法 |
Non-Patent Citations (2)
Title |
---|
FAYAO LIU 等: "Learning Depth from Single Monocular Images Using Deep Convolutional Neural Fields", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
YIYI LIAO 等: "Parse Geometry from a Line: Monocular Depth Estimation with Partial Laser Observation", 《ARXIV:1611.02174V1 [CS.CV]》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992848B (zh) * | 2017-12-19 | 2020-09-25 | 北京小米移动软件有限公司 | 获取深度图像的方法、装置及计算机可读存储介质 |
CN107992848A (zh) * | 2017-12-19 | 2018-05-04 | 北京小米移动软件有限公司 | 获取深度图像的方法、装置及计算机可读存储介质 |
CN108416840B (zh) * | 2018-03-14 | 2020-02-18 | 大连理工大学 | 一种基于单目相机的三维场景稠密重建方法 |
CN108416840A (zh) * | 2018-03-14 | 2018-08-17 | 大连理工大学 | 一种基于单目相机的三维场景稠密重建方法 |
CN108510535A (zh) * | 2018-03-14 | 2018-09-07 | 大连理工大学 | 一种基于深度预测和增强子网络的高质量深度估计方法 |
CN108510535B (zh) * | 2018-03-14 | 2020-04-24 | 大连理工大学 | 一种基于深度预测和增强子网络的高质量深度估计方法 |
US10810754B2 (en) | 2018-04-24 | 2020-10-20 | Ford Global Technologies, Llc | Simultaneous localization and mapping constraints in generative adversarial networks for monocular depth estimation |
CN108489496A (zh) * | 2018-04-28 | 2018-09-04 | 北京空间飞行器总体设计部 | 基于多源信息融合的非合作目标相对导航运动估计方法及*** |
CN109300151A (zh) * | 2018-07-02 | 2019-02-01 | 浙江商汤科技开发有限公司 | 图像处理方法和装置、电子设备 |
CN109300151B (zh) * | 2018-07-02 | 2021-02-12 | 浙江商汤科技开发有限公司 | 图像处理方法和装置、电子设备 |
CN109087349A (zh) * | 2018-07-18 | 2018-12-25 | 亮风台(上海)信息科技有限公司 | 一种单目深度估计方法、装置、终端和存储介质 |
CN109087349B (zh) * | 2018-07-18 | 2021-01-26 | 亮风台(上海)信息科技有限公司 | 一种单目深度估计方法、装置、终端和存储介质 |
CN109325972A (zh) * | 2018-07-25 | 2019-02-12 | 深圳市商汤科技有限公司 | 激光雷达稀疏深度图的处理方法、装置、设备及介质 |
CN109325972B (zh) * | 2018-07-25 | 2020-10-27 | 深圳市商汤科技有限公司 | 激光雷达稀疏深度图的处理方法、装置、设备及介质 |
KR102292559B1 (ko) * | 2018-07-27 | 2021-08-24 | 선전 센스타임 테크놀로지 컴퍼니 리미티드 | 단안 이미지 깊이 추정 방법 및 장치, 기기, 프로그램 및 저장 매체 |
WO2020019761A1 (zh) * | 2018-07-27 | 2020-01-30 | 深圳市商汤科技有限公司 | 单目图像深度估计方法及装置、设备、程序及存储介质 |
TWI766175B (zh) * | 2018-07-27 | 2022-06-01 | 大陸商深圳市商湯科技有限公司 | 單目圖像深度估計方法、設備及儲存介質 |
CN109035319B (zh) * | 2018-07-27 | 2021-04-30 | 深圳市商汤科技有限公司 | 单目图像深度估计方法及装置、设备、程序及存储介质 |
KR20200044108A (ko) * | 2018-07-27 | 2020-04-28 | 선전 센스타임 테크놀로지 컴퍼니 리미티드 | 단안 이미지 깊이 추정 방법 및 장치, 기기, 프로그램 및 저장 매체 |
US11443445B2 (en) | 2018-07-27 | 2022-09-13 | Shenzhen Sensetime Technology Co., Ltd. | Method and apparatus for depth estimation of monocular image, and storage medium |
JP2021500689A (ja) * | 2018-07-27 | 2021-01-07 | 深▲せん▼市商▲湯▼科技有限公司Shenzhen Sensetime Technology Co., Ltd. | 単眼画像深度推定方法及び装置、機器、プログラム及び記憶媒体 |
CN109035319A (zh) * | 2018-07-27 | 2018-12-18 | 深圳市商汤科技有限公司 | 单目图像深度估计方法及装置、设备、程序及存储介质 |
CN109461178A (zh) * | 2018-09-10 | 2019-03-12 | 中国科学院自动化研究所 | 一种融合稀疏已知标签的单目图像深度估计方法及装置 |
CN109146944B (zh) * | 2018-10-30 | 2020-06-26 | 浙江科技学院 | 一种基于深度可分卷积神经网络的视觉深度估计方法 |
CN109146944A (zh) * | 2018-10-30 | 2019-01-04 | 浙江科技学院 | 一种基于深度可分卷积神经网络的视觉深度估计方法 |
CN110232361A (zh) * | 2019-06-18 | 2019-09-13 | 中国科学院合肥物质科学研究院 | 基于三维残差稠密网络的人体行为意图识别方法与*** |
CN110232361B (zh) * | 2019-06-18 | 2021-04-02 | 中国科学院合肥物质科学研究院 | 基于三维残差稠密网络的人体行为意图识别方法与*** |
CN110428462A (zh) * | 2019-07-17 | 2019-11-08 | 清华大学 | 多相机立体匹配方法和装置 |
CN110428462B (zh) * | 2019-07-17 | 2022-04-08 | 清华大学 | 多相机立体匹配方法和装置 |
CN113034562A (zh) * | 2019-12-09 | 2021-06-25 | 百度在线网络技术(北京)有限公司 | 用于优化深度信息的方法和装置 |
CN113034562B (zh) * | 2019-12-09 | 2023-05-12 | 百度在线网络技术(北京)有限公司 | 用于优化深度信息的方法和装置 |
CN111062981A (zh) * | 2019-12-13 | 2020-04-24 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及存储介质 |
CN111062981B (zh) * | 2019-12-13 | 2023-05-05 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置及存储介质 |
CN110992271A (zh) * | 2020-03-04 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、路径规划方法、装置、设备及存储介质 |
CN110992271B (zh) * | 2020-03-04 | 2020-07-07 | 腾讯科技(深圳)有限公司 | 图像处理方法、路径规划方法、装置、设备及存储介质 |
CN111680554A (zh) * | 2020-04-29 | 2020-09-18 | 北京三快在线科技有限公司 | 自动驾驶场景的深度估计方法、装置和自主车辆 |
CN112712017A (zh) * | 2020-12-29 | 2021-04-27 | 上海智蕙林医疗科技有限公司 | 一种机器人和一种单目深度估计方法、***及存储介质 |
CN113219475A (zh) * | 2021-07-06 | 2021-08-06 | 北京理工大学 | 利用单线激光雷达校正单目测距的方法及*** |
CN113219475B (zh) * | 2021-07-06 | 2021-10-22 | 北京理工大学 | 利用单线激光雷达校正单目测距的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780588A (zh) | 一种基于稀疏激光观测的图像深度估计方法 | |
CN110555434B (zh) | 一种局部对比和全局指导的立体图像视觉显著性检测方法 | |
US11182644B2 (en) | Method and apparatus for pose planar constraining on the basis of planar feature extraction | |
CN103824050B (zh) | 一种基于级联回归的人脸关键点定位方法 | |
CN107204010A (zh) | 一种单目图像深度估计方法与*** | |
CN109377530A (zh) | 一种基于深度神经网络的双目深度估计方法 | |
CN108648161A (zh) | 非对称核卷积神经网络的双目视觉障碍物检测***及方法 | |
CN111832655A (zh) | 一种基于特征金字塔网络的多尺度三维目标检测方法 | |
CN105956597A (zh) | 一种基于卷积神经网络的双目立体匹配方法 | |
CN105205453B (zh) | 基于深度自编码器的人眼检测和定位方法 | |
CN101394573B (zh) | 一种基于特征匹配的全景图生成方法及*** | |
CN106940704A (zh) | 一种基于栅格地图的定位方法及装置 | |
CN107944386B (zh) | 基于卷积神经网络的视觉场景识别方法 | |
CN106127690A (zh) | 一种无人机遥感图像快速拼接方法 | |
CN110009674A (zh) | 基于无监督深度学习的单目图像景深实时计算方法 | |
CN101866497A (zh) | 基于双目立体视觉的智能三维人脸重建方法及*** | |
CN109005398B (zh) | 一种基于卷积神经网络的立体图像视差匹配方法 | |
CN108171249B (zh) | 一种基于rgbd数据的局部描述子学习方法 | |
CN111127522B (zh) | 基于单目相机的深度光流预测方法、装置、设备及介质 | |
CN104517317A (zh) | 一种车载红外图像三维重建方法 | |
CN111402311A (zh) | 一种基于知识蒸馏的轻量级立体视差估计方法 | |
CN113724379B (zh) | 融合图像与激光点云的三维重建方法及装置 | |
CN113298024A (zh) | 一种基于轻量化神经网络的无人机对地小目标识别方法 | |
CN103955942A (zh) | 一种基于svm的2d图像的深度图提取方法 | |
CN112819096A (zh) | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |