CN111540000A - 场景深度和相机运动预测方法及装置、电子设备和介质 - Google Patents

场景深度和相机运动预测方法及装置、电子设备和介质 Download PDF

Info

Publication number
CN111540000A
CN111540000A CN202010348872.2A CN202010348872A CN111540000A CN 111540000 A CN111540000 A CN 111540000A CN 202010348872 A CN202010348872 A CN 202010348872A CN 111540000 A CN111540000 A CN 111540000A
Authority
CN
China
Prior art keywords
image frame
prediction
camera motion
state information
hidden state
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.)
Granted
Application number
CN202010348872.2A
Other languages
English (en)
Other versions
CN111540000B (zh
Inventor
韩滔
张展鹏
成慧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202010348872.2A priority Critical patent/CN111540000B/zh
Priority to CN202111204857.1A priority patent/CN113822918B/zh
Publication of CN111540000A publication Critical patent/CN111540000A/zh
Priority to JP2021565990A priority patent/JP7178514B2/ja
Priority to PCT/CN2021/076038 priority patent/WO2021218282A1/zh
Priority to KR1020217036422A priority patent/KR102397268B1/ko
Priority to TW110107767A priority patent/TWI767596B/zh
Application granted granted Critical
Publication of CN111540000B publication Critical patent/CN111540000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Auxiliary Devices For Music (AREA)
  • Studio Devices (AREA)

Abstract

本公开涉及一种场景深度和相机运动预测方法及装置、电子设备和介质，所述方法包括：获取t时刻的目标图像帧；通过场景深度预测网络利用t‑1时刻的第一隐状态信息对所述目标图像帧进行场景深度预测，确定所述目标图像帧对应的预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息，所述场景深度预测网络是基于相机运动预测网络辅助训练得到的。本公开实施例可以得到目标图像帧对应的预测精度较高的预测深度图。

Description

场景深度和相机运动预测方法及装置、电子设备和介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种场景深度和相机运动预测方法及装置、电子设备和介质。
背景技术
利用单目图像采集设备(例如，单目相机)采集的图像作为输入来恢复场景深度以及相机运动是计算机视觉领域近二十年一个活跃而重要的研究方向，广泛应用于增强现实、无人驾驶以及移动机器人定位导航等众多领域。有鉴于此，如何提高场景深度和相机运动的预测精度成为亟待解决的问题。
发明内容
本公开提出了一种场景深度和相机运动预测方法及装置、电子设备和介质的技术方案。
根据本公开的一方面，提供了一种场景深度预测方法，包括：获取t时刻的目标图像帧；通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述目标图像帧进行场景深度预测，确定所述目标图像帧对应的预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息，所述场景深度预测网络是基于相机运动预测网络辅助训练得到的。
在一种可能的实现方式中，所述通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述目标图像帧进行场景深度预测，确定所述目标图像帧对应的预测深度图，包括：对所述目标图像帧进行特征提取，确定所述目标图像帧对应的第一特征图，其中，所述第一特征图为与场景深度相关的特征图；根据所述第一特征图和t-1时刻的所述第一隐状态信息，确定t时刻的所述第一隐状态信息；根据t时刻的所述第一隐状态信息，确定所述预测深度图。
在一种可能的实现方式中，t-1时刻的所述第一隐状态信息包括t-1时刻的不同尺度下的所述第一隐状态信息；所述对所述目标图像帧进行特征提取，确定所述目标图像帧对应的第一特征图，包括：对所述目标图像帧进行多尺度下采样，确定所述目标图像帧对应的不同尺度下的所述第一特征图；所述根据所述第一特征图和t-1时刻的所述第一隐状态信息，确定t时刻的所述第一隐状态信息，包括：针对任一尺度，根据该尺度下的所述第一特征图和t-1时刻的该尺度下的所述第一隐状态信息，确定t时刻的该尺度下的所述第一隐状态信息；所述根据t时刻的所述第一隐状态信息，确定所述预测深度图，包括：将t时刻的不同尺度下的所述第一隐状态信息进行特征融合，确定所述预测深度图。
在一种可能的实现方式中，所述方法还包括：获取t时刻对应的样本图像帧序列，其中，所述样本图像帧序列包括t时刻的第一样本图像帧和所述第一样本图像帧的相邻样本图像帧；通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述样本图像帧序列进行相机位姿预测，确定所述样本图像帧序列对应的样本预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息；通过待训练的场景深度预测网络利用t-1时刻的第一隐状态信息对所述第一样本图像帧进行场景深度预测，确定所述第一样本图像帧对应的样本预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息；根据所述样本预测深度图和所述样本预测相机运动，构建损失函数；根据所述损失函数，对所述待训练的场景深度预测网络进行训练，以得到所述场景深度预测网络。
在一种可能的实现方式中，所述根据所述样本预测深度图和所述样本预测相机运动，构建损失函数，包括：根据所述样本预测相机运动，确定所述样本图像帧序列中所述第一样本图像帧的相邻样本图像帧相对所述第一样本图像帧的重投影误差项；根据所述样本预测深度图的分布连续性，确定惩罚函数项；根据所述重投影误差项和所述惩罚函数项，构建所述损失函数。
根据本公开的一方面，提供了一种相机运动预测方法，包括：获取t时刻对应的图像帧序列，其中，所述图像帧序列包括t时刻的目标图像帧和所述目标图像帧的相邻图像帧；通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述图像帧序列进行相机位姿预测，确定所述图像帧序列对应的预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息，所述相机运动预测网络是基于场景深度预测网络辅助训练得到的。
在一种可能的实现方式中，所述通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述图像帧序列进行相机位姿预测，确定所述图像帧序列对应的预测相机运动，包括：对所述图像帧序列进行特征提取，确定所述图像帧序列对应的第二特征图，其中，所述第二特征图为与相机运动相关的特征图；根据所述第二图特征和t-1时刻的所述第二隐状态信息，确定t时刻的所述第二隐状态信息；根据t时刻的所述第二隐状态信息，确定所述预测相机运动。
在一种可能的实现方式中，所述预测相机运动包括所述图像帧序列中相邻图像帧之间的相对位姿。
在一种可能的实现方式中，所述方法还包括：获取t时刻对应的样本图像帧序列，其中，所述样本图像帧序列包括t时刻的第一样本图像帧和所述第一样本图像帧的相邻样本图像帧；通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述第一样本图像帧进行场景深度预测，确定所述第一样本图像帧对应的样本预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息；通过待训练的相机运动预测网络利用t-1时刻的第二隐状态信息对所述样本图像帧序列进行相机位姿预测，确定所述样本图像帧序列对应的样本预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息；根据所述样本预测深度图和所述样本预测相机运动，构建损失函数；根据所述损失函数，对所述待训练的相机运动预测网络进行训练，以得到所述相机运动预测网络。
在一种可能的实现方式中，所述根据所述样本预测深度图和所述样本预测相机运动，构建损失函数，包括：根据所述样本预测相机运动，确定所述样本图像帧序列中所述第一样本图像帧的相邻样本图像帧相对所述第一样本图像帧的重投影误差项；根据所述样本预测深度图的分布连续性，确定惩罚函数项；根据所述重投影误差项和所述惩罚函数项，构建所述损失函数。
根据本公开的一方面，提供了一种场景深度预测装置，包括：第一获取模块，用于获取t时刻的目标图像帧；场景深度预测模块，用于通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述目标图像帧进行场景深度预测，确定所述目标图像帧对应的预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息，所述场景深度预测网络是基于相机运动预测网络辅助训练得到的。
在一种可能的实现方式中，所述场景深度预测模块，包括：第一确定子模块，用于对所述目标图像帧进行特征提取，确定所述目标图像帧对应的第一特征图，其中，所述第一特征图为与场景深度相关的特征图；第二确定子模块，用于根据所述第一特征图和t-1时刻的所述第一隐状态信息，确定t时刻的所述第一隐状态信息；第三确定子模块，用于根据t时刻的所述第一隐状态信息，确定所述预测深度图。
在一种可能的实现方式中，t-1时刻的所述第一隐状态信息包括t-1时刻的不同尺度下的所述第一隐状态信息；所述第一确定子模块具体用于：对所述目标图像帧进行多尺度下采样，确定所述目标图像帧对应的不同尺度下的所述第一特征图；所述第二确定子模块具体用于：针对任一尺度，根据该尺度下的所述第一特征图和t-1时刻的该尺度下的所述第一隐状态信息，确定t时刻的该尺度下的所述第一隐状态信息；所述第三确定子模块具体用于：将t时刻的不同尺度下的所述第一隐状态信息进行特征融合，确定所述预测深度图。
在一种可能的实现方式中，所述装置还包括：第二获取模块，用于获取t时刻对应的图像帧序列，其中，所述图像帧序列包括所述目标图像帧和所述目标图像帧的相邻图像帧；相机运动预测模块，用于通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述图像帧序列进行相机位姿预测，确定所述图像帧序列对应的预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息；损失函数构建模块，用于根据所述预测深度图和所述预测相机运动，构建损失函数；训练模块，用于根据所述损失函数，对所述场景深度预测网络进行训练。
在一种可能的实现方式中，所述损失函数构建模块，包括：第四确定子模块，用于根据所述预测相机运动，确定所述图像帧序列中所述目标图像帧的相邻图像帧相对所述目标图像帧的重投影误差项；第五确定子模块，用于根据所述预测深度图的分布连续性，确定惩罚函数项；构建子模块，用于构根据所述重投影误差项和所述惩罚函数项，构建所述损失函数。
根据本公开的一方面，提供了一种相机运动预测装置，包括：获取模块，用于获取t时刻对应的图像帧序列，其中，所述图像帧序列包括t时刻的目标图像帧和所述目标图像帧的相邻图像帧；相机运动预测模块，用于通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述图像帧序列进行相机位姿预测，确定所述图像帧序列对应的预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息，所述相机运动预测网络是基于场景深度预测网络辅助训练得到的。
在一种可能的实现方式中，所述相机运动预测模块，包括：第一确定子模块，用于对所述图像帧序列进行特征提取，确定所述图像帧序列对应的第二特征图，其中，所述第二特征图为与相机运动相关的特征图；第二确定子模块，用于根据所述第二图特征和t-1时刻的所述第二隐状态信息，确定t时刻的所述第二隐状态信息；第三确定子模块，用于根据t时刻的所述第二隐状态信息，确定所述预测相机运动。
在一种可能的实现方式中，所述预测相机运动包括所述图像帧序列中相邻图像帧之间的相对位姿。
在一种可能的实现方式中，所述装置还包括：场景深度预测模块，用于通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述目标图像帧进行场景深度预测，确定所述目标图像帧对应的预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息；损失函数构建模块，用于根据所述预测深度图和所述预测相机运动，构建损失函数；训练模块，用于根据所述损失函数，对所述相机运动预测网络进行训练。
在一种可能的实现方式中，所述损失函数构建模块，包括：第四确定子模块，用于根据所述预测相机运动，确定所述图像帧序列中所述目标图像帧的相邻图像帧相对所述目标图像帧的重投影误差项；第五确定子模块，用于根据所述预测深度图的分布连续性，确定惩罚函数项；构建子模块，用于根据所述重投影误差项和所述惩罚函数项，构建所述损失函数。根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，获取t时刻对应的目标图像帧，由于相邻时刻之间场景深度在时序上具有关联关系，利用t-1时刻与场景深度相关的第一隐状态信息，通过场景深度预测网络对目标图像帧进行场景深度预测，可以得到目标图像帧对应的预测精度较高的预测深度图。
本公开实施例中，获取t时刻对应的包括t时刻的目标图像帧和目标图像帧的相邻图像帧的图像帧序列，由于相邻时刻之间相机位姿在时序上具有关联关系，利用t-1时刻与相机运动相关的第二隐状态信息，通过相机运动预测网络对图像帧序列进行相机位姿预测，可以得到预测精度较高的预测相机运动。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的场景深度预测方法的流程图；
图2示出根据本公开实施例的场景深度预测网络的框图；
图3示出根据本公开实施例的无监督网络训练的框图；
图4示出根据本公开实施例的相机运动预测方法的流程图；
图5示出根据本公开实施例的场景深度预测装置的框图；
图6示出根据本公开实施例的相机运动预测装置的框图；
图7示出根据本公开实施例的一种电子设备的框图；
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的场景深度预测方法的流程图。如图1所示的场景深度预测方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该场景深度预测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示，该方法可以包括：
在步骤S11中，获取t时刻的目标图像帧。
在步骤S12中，通过场景深度预测网络利用t-1时刻的第一隐状态信息对目标图像帧进行场景深度预测，确定目标图像帧对应的预测深度图，其中，第一隐状态信息包括与场景深度相关的特征信息，场景深度预测网络是基于相机运动预测网络辅助训练得到的。
本公开实施例中，获取t时刻的目标图像帧，由于相邻时刻之间场景深度在时序上具有关联关系，利用t-1时刻与场景深度相关的第一隐状态信息，通过场景深度预测网络对目标图像帧进行场景深度预测，可以得到目标图像帧对应的预测精度较高的预测深度图。
在一种可能的实现方式中，通过场景深度预测网络利用t-1时刻的第一隐状态信息对目标图像帧进行场景深度预测，确定目标图像帧对应的预测深度图，包括：对目标图像帧进行特征提取，确定目标图像帧对应的第一特征图，其中，第一特征图为与场景深度相关的特征图；根据第一特征图和t-1时刻的第一隐状态信息，确定t时刻的第一隐状态信息；根据t时刻的第一隐状态信息，确定预测深度图。
由于相邻时刻之间场景深度在时序上具有关联关系，场景深度预测网络利用当前时刻(例如，t时刻)的目标图像帧对应的与场景深度相关的第一特征图，以及上一时刻(例如，t-1时刻)与场景深度相关的第一隐状态信息，可以确定当前时刻与场景深度相关的的第一隐状态信息，进而基于当前时刻与场景深度相关的的第一隐状态信息对目标图像帧进行场景深度预测，可以得到当前时刻的目标图像帧对应的预测精度较高的预测深度图。
例如，利用场景深度预测网络预测图像帧序列(包括第1-t时刻的图像帧)中各个图像帧对应的预测深度图时，在场景深度预测网络的初始化阶段，设置与场景深度相关的第一隐状态信息的预设初始值。基于第一隐状态信息的预设初始值以及第1时刻的图像帧对应的与场景深度相关的第一特征图，确定第1时刻的第一隐状态，进而基于第1时刻的第一隐状态对第1时刻的图像帧进行场景深度预测，得到第1时刻的图像帧对应的预测深度图；基于第1时刻的第一隐状态以及第2时刻的图像帧对应的与场景深度相关的第一特征图，确定第2时刻的第一隐状态，进而基于第2时刻的第一隐状态对第2时刻的图像帧进行场景深度预测，得到第2时刻的图像帧对应的预测深度图；基于第2时刻的第一隐状态以及第3时刻的图像帧对应的与场景深度相关的第一特征图，确定第3时刻的第一隐状态，进而基于第3时刻的第一隐状态对第3时刻的图像帧进行场景深度预测，得到第3时刻的图像帧对应的预测深度图；依次类推，最终得到图像帧序列(包括第1-t时刻的图像帧)中各个图像帧对应的预测深度图。
在一种可能的实现方式中，t-1时刻的第一隐状态信息包括t-1时刻的不同尺度下的第一隐状态信息；对目标图像帧进行特征提取，确定目标图像帧对应的第一特征图，包括：对目标图像帧进行多尺度下采样，确定目标图像帧对应的不同尺度下的第一特征图；根据第一特征图和t-1时刻的第一隐状态信息，确定t时刻的第一隐状态信息，包括：针对任一尺度，根据该尺度下的第一特征图和t-1时刻的该尺度下的第一隐状态信息，确定t时刻的该尺度下的第一隐状态信息；根据t时刻的第一隐状态信息，确定预测深度图，包括：将t时刻的不同尺度下的第一隐状态信息进行特征融合，确定预测深度图。
为了更好地确定t时刻的目标图像帧对应的预测深度图，场景深度预测网络可以采用多尺度特征融合机制。图2示出根据本公开实施例的场景深度预测网络的框图。如图2所示，场景深度预测网络中包括深度编码器、多尺度卷积门控循环单元(ConvGRU，Convolutional Gated Recurrent Unit)和深度解码器。将t时刻的目标图像帧输入深度编码器进行多尺度下采样，得到目标图像帧对应的不同尺度下的第一特征图：第一尺度下的第一特征图
Figure BDA0002471151480000081
第二尺度下的第一特征图
Figure BDA0002471151480000082
和第三尺度下的第一特征图
Figure BDA0002471151480000083
其中，多尺度ConvGRU与多尺度第一特征图的尺度对应，即，多尺度ConvGRU包括：第一尺度下的ConvGRU0，第二尺度下的ConvGRU1和第三尺度下的ConvGRU2。
仍以上述图2为例，将第一特征图
Figure BDA0002471151480000084
输入ConvGRU0，将第一特征图
Figure BDA0002471151480000085
输入ConvGRU1，将第一特征图
Figure BDA0002471151480000086
输入ConvGRU2。ConvGRU0将第一特征图
Figure BDA0002471151480000087
与ConvGRU0中存储的t-1时刻的第一尺度下的第一隐状态信息
Figure BDA0002471151480000088
进行特征融合，得到t时刻的第一尺度下的第一隐状态
Figure BDA0002471151480000089
ConvGRU0对t时刻的第一尺度下的第一隐状态
Figure BDA00024711514800000810
进行存储，以及将t时刻的第一尺度下的第一隐状态
Figure BDA00024711514800000811
输出至深度解码器；ConvGRU1将第一特征图
Figure BDA00024711514800000812
与ConvGRU1中存储的t-1时刻的第二尺度下的第一隐状态信息
Figure BDA00024711514800000813
进行特征融合，得到t时刻的第二尺度下的第一隐状态
Figure BDA00024711514800000814
ConvGRU1对t时刻的第二尺度下的第一隐状态
Figure BDA00024711514800000815
进行存储，以及将t时刻的第二尺度下的第一隐状态
Figure BDA00024711514800000816
输出至深度解码器；ConvGRU2将第一特征图
Figure BDA00024711514800000817
与ConvGRU2中存储的t-1时刻的第三尺度下的第一隐状态信息
Figure BDA00024711514800000818
进行特征融合，得到t时刻的第三尺度下的第一隐状态
Figure BDA00024711514800000819
ConvGRU2对t时刻的第三尺度下的第一隐状态
Figure BDA00024711514800000820
进行存储，以及将t时刻的第三尺度下的第一隐状态
Figure BDA00024711514800000821
输出至深度解码器。
解码器分别将t时刻的第一尺度下的第一隐状态
Figure BDA0002471151480000091
第二尺度下的第一隐状态
Figure BDA0002471151480000092
和第三尺度下的第一隐状态
Figure BDA0002471151480000093
的尺度恢复至与目标图像帧的尺度(以下将目标图像帧的尺度简称目标尺度)相同，得到t时刻的目标尺度下的三个第一隐状态。由于第一隐状态信息包括与场景深度相关的特征信息，在场景深度预测网络中也是以特征图的形式存在，因此，将t时刻的目标尺度下的三个第一隐状态进行特征图融合，从而得到t时刻的目标图像帧对应的预测深度图Dt。
在一种可能的实现方式中，该方法还包括：获取t时刻对应的样本图像帧序列，其中，样本图像帧序列包括t时刻的第一样本图像帧和第一样本图像帧的相邻样本图像帧；通过相机运动预测网络利用t-1时刻的第二隐状态信息对样本图像帧序列进行相机位姿预测，确定样本图像帧序列对应的样本预测相机运动，其中，第二隐状态信息包括与相机运动相关的特征信息；通过待训练的场景深度预测网络利用t-1时刻的第一隐状态信息对第一样本图像帧进行场景深度预测，确定第一样本图像帧对应的样本预测深度图，其中，第一隐状态信息包括与场景深度相关的特征信息；根据样本预测深度图和样本预测相机运动，构建损失函数；根据损失函数，对待训练的场景深度预测网络进行训练，以得到场景深度预测网络。
在本公开实施例中，场景深度预测网络是基于相机运动预测网络辅助训练得到的，或者，场景深度预测网络和相机运动预测网络是联合训练得到的。利用相邻时刻之间的场景深度和相机位姿在时序上的关联关系，引入滑动窗口数据融合的机制，提取并记忆滑动窗口序列中与目标时刻(t时刻)的场景深度和相机运动相关的隐状态信息，进而对场景深度预测网络和/或相机运动预测网络进行无监督网络训练。
在本公开实施例中，可以预先创建训练集，该训练集中包括在时序上连续采集得到的样本图像帧序列，进而基于该训练集对待训练的场景深度预测网络进行训练。图3示出本公开实施例的无监督网络训练的框图。如图3所示，目标时刻为t时刻，目标时刻对应的样本图像帧序列(即目标时刻对应的滑动窗口中包括的样本图像帧序列)包括：t时刻的第一样本图像帧It、t-1时刻的相邻样本图像帧It-1和t+1时刻的相邻样本图像帧It+1。样本图像帧序列中第一样本图像帧的相邻样本图像帧邻的数目可以根据实际情况确定，本公开对此不做具体限定。
图3示出的待训练的场景深度预测网络采用的是单尺度特征融合机制。在网络训练过程中，待训练的场景深度预测网络可以采用图3所示的单尺度特征融合机制，也可以采用图2所示的多尺度特征融合机制，本公开对此不做具体限定。如图3所示，待训练的场景深度预测网络中包括深度编码器、卷积门控循环单元(ConvGRU，Convolutional GatedRecurrent Unit)和深度解码器。将t时刻的第一样本图像帧It输入深度解码编码器进行特征提取，得到第一样本图像帧It对应的第一特征图
Figure BDA0002471151480000101
进而将第一特征图
Figure BDA0002471151480000102
输入ConvGRU，使得第一特征图
Figure BDA0002471151480000103
与ConvGRU中存储的t-1时刻的第一隐状态信息
Figure BDA0002471151480000104
进行特征融合，得到t时刻的第一隐状态
Figure BDA0002471151480000105
ConvGRU对t时刻的第一隐状态
Figure BDA0002471151480000106
进行存储，以及将t时刻的第一隐状态
Figure BDA0002471151480000107
输出至深度解码器，从而得到t时刻的第一样本图像帧对应的样本预测深度图Dt。
仍以上述图3为例，如图3所示，相机运动预测网络中包括位姿编码器、ConvGRU和位姿解码器。将t时刻对应的样本图像帧序列[It，It-1，It+1]输入位姿编码器进行特征提取，得到样本图像帧序列对应的第二特征图
Figure BDA0002471151480000108
进而将第二特征图
Figure BDA0002471151480000109
输入ConvGRU，使得第二特征图
Figure BDA00024711514800001010
与ConvGRU中存储的t-1时刻的第二隐状态信息
Figure BDA00024711514800001011
进行特征融合，得到t时刻的第二隐状态
Figure BDA00024711514800001012
ConvGRU对t时刻的第二隐状态
Figure BDA00024711514800001013
进行存储，以及将t时刻的第二隐状态
Figure BDA00024711514800001014
输出至位姿解码器，从而得到t时刻的样本图像帧序列对应的样本预测相机运动[Tt-1→t，Tt→t+1]。
仍以上述图3为例，根据样本预测深度图Dt和样本预测相机运动[Tt-1→t，Tt→t+1]，可构建损失函数L(It,It-1,It+1,Dt,Tt-1→t,Tt→t+1)。具体地，根据样本预测相机运动[Tt-1→t，Tt→t+1]，确定样本图像帧序列中的相邻样本图像帧It-1和It+1相对第一样本图像帧It的重投影误差项Lreproj；根据样本预测深度图Dt的分布连续性，确定惩罚函数项Lsmooth。进而，通过下述公式(一)构建损失函数L(It,It-1,It+1,Dt,Tt-1→t,Tt→t+1)：
L(It,It-1,It+1,Dt,Tt-1→t,Tt→t+1)＝Lreproj+λsmoothLsmooth (公式一)。
其中，λsmooth为权重系数，可以根据实际情况确定λsmooth的取值大小，本公开对此不做具体限定。
在一种可能的实现方式中，根据样本预测深度图Dt的分布连续性，确定惩罚函数项Lsmooth的具体过程为：确定第一样本图像帧It中各像素点的梯度值，各像素点的梯度值可以反映第一样本图像帧It的分布连续性(也可称为平滑性)，因此，根据各像素点的梯度值可以确定第一样本图像帧It中的边缘区域(梯度值大于等于阈值的像素点构成的区域)和非边缘区域(梯度值小于阈值的像素点构成的区域)，进而可以确定第一样本图像帧It对应的样本预测深度图Dt中的边缘区域和非边缘区域；确定样本预测深度图Dt中各像素点的梯度值，为了确保样本预测深度图Dt中非边缘区域的分布连续性以及边缘区域的分布不连续性，针对样本预测深度图Dt中非边缘区域中的各像素点，设置与梯度值成正比的惩罚因子；针对样本预测深度图Dt中边缘区域中的各像素点，设置与梯度值成反比的惩罚因子；进而基于样本预测深度图Dt中各像素点的惩罚因子，构建惩罚函数项Lsmooth。
由于样本预测深度图和样本预测相机运动是利用相邻时刻之间场景深度和相机运动在时序上的关联关系得到的，从而使得综合利用根据相机运动预测网络得到的预测相机运动确定的重投影误差项，以及根据场景深度预测网络得到的预测深度图确定的惩罚函数项构建的损失函数，来对待训练的场景深度预测网络进行训练，训练得到场景深度预测网络可以提高场景深度预测的预测精度。
在一种可能的实现方式中，图3中的相机运动预测网络可以是待训练的相机运动预测网络，根据上述损失函数，可以对待训练的相机运动网络进行训练，以实现对待训练的场景深度预测网络和待训练的相机运动网络的联合训练，得到训练好的场景深度预测网络和相机运动预测网络。
由于预测深度图和预测相机运动是利用相邻时刻之间场景深度和相机运动在时序上的关联关系得到的，从而使得综合利用根据相机运动预测网络得到的预测相机运动确定的重投影误差项，以及根据场景深度预测网络得到的预测深度图确定的惩罚函数项构建的损失函数，来对场景深度预测网络和相机运动预测网络进行联合训练，训练得到场景深度预测网络和相机运动预测网络可以提高场景深度预测和相机运动预测的预测精度。
在一种可能的实现方式中，深度编码器和位姿编码器可以复用ResNet18结构，可以复用ResNet54结构，还可以复用其它结构，本公开对此不做具体限定。深度解码器和位姿解码器可以采用Unet网络结构，还可以采用其它解码器网络结构，本公开对此不做具体限定。
在一种可能的实现方式中，ConvGRU中包括卷积操作，且ConvGRU中的激活函数为ELU激活函数。
例如，可以通过对只能对一维数据进行数据处理的卷积门控循环单元ConvGRU进行改进，将ConvGRU中的线性操作替换为卷积操作，将ConvGRU中的tanh激活函数替换为ELU激活函数，从而得到可以对二维图像数据进行数据处理的ConvGRU。
利用场景深度和/或相机运动在时序上具有的关联关系，通过ConvGRU可以对不同时刻对应的图像帧序列按时序循环卷积处理，从而可以得到不同时刻对应的第一隐状态和/或第二隐状态。
为了实现滑动窗口数据融合的机制，除了可以采用上述ConvGRU外，还可以采用卷积长短期记忆单元(ConvLSTM，Convolutional Long Short-Term Memory)，还可以采用其它能够实现滑动窗口数据融合的结构，本公开对此不做具体限定。
图4示出根据本公开实施例的相机运动预测方法的流程图。如图4所示的相机运动预测方法可以由终端设备或其它处理设备执行，其中，终端设备可以为用户设备(UserEquipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(PersonalDigital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。其它处理设备可为服务器或云端服务器等。在一些可能的实现方式中，该相机运动预测方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图4所示，该方法可以包括：
在步骤S41中，获取t时刻对应的图像帧序列，其中，图像帧序列包括t时刻的目标图像帧和目标图像帧的相邻图像帧。
在步骤S42中，通过相机运动预测网络利用t-1时刻的第二隐状态信息对图像帧序列进行相机位姿预测，确定图像帧序列对应的预测相机运动，其中，第二隐状态信息包括与相机运动相关的特征信息，相机运动预测网络是基于场景深度预测网络辅助训练得到的。
本公开实施例中，获取t对应的包括t时刻的目标图像帧和目标图像帧的相邻图像帧的图像帧序列，由于相邻时刻之间相机运动在时序上具有关联关系，利用t-1时刻与相机运动相关的第二隐状态信息，通过相机运动预测网络对图像帧序列进行相机位姿预测，可以得到图像帧序列对应的预测精度较高的预测相机运动。
在一种可能的实现方式中，通过相机运动预测网络利用t-1时刻的第二隐状态信息对图像帧序列进行相机位姿预测，确定图像帧序列对应的预测相机运动，包括：对图像帧序列进行特征提取，确定图像帧序列对应的第二特征图，其中，第二特征图为与相机运动相关的特征图；根据第二图特征和t-1时刻的第二隐状态信息，确定t时刻的第二隐状态信息；根据t时刻的第二隐状态信息，确定预测相机运动。
由于相邻时刻之间相机运动在时序上具有关联关系，相机运动预测网络利用t时刻的图像帧序列对应的与场景深度相关的第二特征图，以及t-1时刻与相机运动相关的第二隐状态信息，可以确定t时刻与相机运动相关的的第二隐状态信息，进而基于t时刻与相机运动相关的的第二隐状态信息对t时刻的图像帧序列进行相机运动预测，可以得到t时刻的图像帧序列对应的预测精度较高的预测深度图。
在一种可能的实现方式中，预测相机运动包括图像帧序列中相邻图像帧之间的相对位姿。其中，相对位姿为六维参数，包括三维旋转信息和三维平移信息。
例如，预测相机运动[Tt-1→t，Tt→t+1]中包括相邻图像帧It-1到目标图像帧It之间的相对位姿Tt-1→t，以及目标图像帧It到相邻图像帧It+1之间的相对位姿Tt→t+1。
以上述图3为例，如图3所示，相机运动预测网络中包括位姿编码器、ConvGRU和位姿解码器。将t时刻对应的图像帧序列[It，It-1，It+1]输入位姿编码器进行特征提取，得到图像帧序列对应的第二特征图
Figure BDA0002471151480000131
进而将第二特征图
Figure BDA0002471151480000132
输入ConvGRU，使得第二特征图
Figure BDA0002471151480000133
与ConvGRU中存储的t-1时刻的第二隐状态信息
Figure BDA0002471151480000134
进行特征融合，得到t时刻的第二隐状态
Figure BDA0002471151480000135
ConvGRU对t时刻的第二隐状态
Figure BDA0002471151480000136
进行存储，以及将t时刻的第二隐状态
Figure BDA0002471151480000137
输出至位姿解码器，从而得到t时刻的图像帧序列对应的预测相机运动[Tt-1→t，Tt→t+1]。
例如，利用相机运动预测网络预测图像帧序列对应的预测相机运动时，在相机运动预测网络的初始化阶段，设置与相机运动相关的第二隐状态信息的预设初始值。基于第二隐状态信息的预设初始值以及第1时刻的图像帧序列对应的与相机运动相关的第二特征图，确定第1时刻的第二隐状态，进而基于第1时刻的第二隐状态对第1时刻的图像帧序列进行相机运动预测，得到第1时刻的图像帧序列对应的预测相机运动；基于第1时刻的第二隐状态以及第2时刻的图像帧序列对应的与相机运动相关的第二特征图，确定第2时刻的第二隐状态，进而基于第2时刻的第二隐状态对第2时刻的图像帧序列进行相机运动预测，得到第2时刻的图像帧序列对应的预测相机运动；基于第2时刻的第二隐状态以及第3时刻的图像帧序列对应的与相机运动相关的第二特征图，确定第3时刻的第二隐状态，进而基于第3时刻的第二隐状态对第3时刻的图像帧序列进行相机运动预测，得到第3时刻的图像帧序列对应的预测相机运动；依次类推，最终得到不同时刻的图像帧序列对应的预测相机运动。
在一种可能的实现方式中，该方法还包括：获取t时刻对应的样本图像帧序列，其中，样本图像帧序列包括t时刻的第一样本图像帧和第一样本图像帧的相邻样本图像帧；通过场景深度预测网络利用t-1时刻的第一隐状态信息对目标图像帧进行场景深度预测，确定第一样本图像帧对应的预测深度图，其中，第一隐状态信息包括与场景深度相关的特征信息；通过待训练的相机运动预测网络利用t-1时刻的第二隐状态信息对样本图像帧序列进行相机位姿预测，确定样本图像帧序列对应的样本预测相机运动，其中，第二隐状态信息包括与相机运动相关的特征信息；根据样本预测深度图和样本预测相机运动，构建损失函数；根据损失函数，对待训练的相机运动预测网络进行训练，以得到相机运动预测网络。
在一种可能的实现方式中，根据样本预测深度图和样本预测相机运动，构建损失函数，包括：根据样本预测相机运动，确定图像帧序列中第一样本图像帧的相邻样本图像帧相对第一样本图像帧的重投影误差项；根据样本预测深度图的分布连续性，确定惩罚函数项；根据重投影误差项和惩罚函数项，构建损失函数。
在本公开实施例中，相机运动预测网络是基于场景深度预测网络辅助训练得到的，或者，场景深度预测网络和相机运动预测网络是联合训练得到的。在一种可能的实现方式中，可以基于上述图3可以对待训练的相机运动预测网络进行训练，在此训练过程中，图3中的相机运动预测网络为待训练的相机运动预测网络，图3中的场景深度预测网络可以为待训练的场景深度预测网络(联合训练待训练的场景深度预测网络和待训练相机运动预测网络)，也可以为训练好的场景深度预测网络(对待训练的相机运动预测网络进行单独训练)，具体训练过程与上述图3相同，本公开实施例在此不再赘述。
由于预测深度图和预测相机运动是利用相邻时刻之间场景深度和相机运动在时序上的关联关系得到的，从而使得综合利用根据相机运动预测网络得到的预测相机运动确定的重投影误差项，以及根据场景深度预测网络得到的预测深度图确定的惩罚函数项构建的损失函数，来对场景深度预测网络和相机运动预测网络进行联合训练，训练得到场景深度预测网络和相机运动预测网络可以提高场景深度预测和相机运动预测的预测精度。
本公开实施例中，通过上述图3所示网络训练方法训练得到的场景深度预测网络和相机运动预测网络可以进行环境的深度预测和三维场景构建。例如，将场景深度预测网络应用于扫地机、割草机等室内、室外的移动机器人导航场景中，通过RGB相机得到RGB图像，进而利用场景深度预测网络确定RGB图像对应的预测深度图，利用相机预测网络确定RGB相机的相机运动，从而实现对障碍物的距离测量和三维场景构建，以完成避障和导航任务。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了场景深度/相机运动预测装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种场景深度/相机运动预测方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图5示出根据本公开实施例的场景深度预测装置的框图。如图5所示，装置50包括：
第一获取模块51，用于获取t时刻的目标图像帧；
第一场景深度预测模块52，用于通过场景深度预测网络利用t-1时刻的第一隐状态信息对目标图像帧进行场景深度预测，确定目标图像帧对应的预测深度图，其中，第一隐状态信息包括与场景深度相关的特征信息，场景深度预测网络是基于相机运动预测网络辅助训练得到的。
在一种可能的实现方式中，第一场景深度预测模块52，包括：
第一确定子模块，用于对目标图像帧进行特征提取，确定目标图像帧对应的第一特征图，其中，第一特征图为与场景深度相关的特征图；
第二确定子模块，用于根据第一特征图和t-1时刻的第一隐状态信息，确定t时刻的第一隐状态信息；
第三确定子模块，用于根据t时刻的第一隐状态信息，确定预测深度图。
在一种可能的实现方式中，t-1时刻的第一隐状态信息包括t-1时刻的不同尺度下的第一隐状态信息；
第一确定子模块具体用于：对目标图像帧进行多尺度下采样，确定目标图像帧对应的不同尺度下的第一特征图；
第二确定子模块具体用于：针对任一尺度，根据该尺度下的第一特征图和t-1时刻的该尺度下的第一隐状态信息，确定t时刻的该尺度下的第一隐状态信息；
第三确定子模块具体用于：将t时刻的不同尺度下的第一隐状态信息进行特征融合，确定预测深度图。
在一种可能的实现方式中，装置50还包括：
第二获取模块，用于获取t时刻对应的样本图像帧序列，其中，样本图像帧序列包括t时刻的第一样本图像帧和第一样本图像帧的相邻样本图像帧；
相机运动预测模块，用于通过相机运动预测网络利用t-1时刻的第二隐状态信息对样本图像帧序列进行相机位姿预测，确定样本图像帧序列对应的样本预测相机运动，其中，第二隐状态信息包括与相机运动相关的特征信息；
第二场景深度预测模块，用于通过待训练的场景深度预测网络利用t-1时刻的第一隐状态信息对第一样本图像帧进行场景深度预测，确定第一样本图像帧对应的样本预测深度图，其中，第一隐状态信息包括与场景深度相关的特征信息；
损失函数构建模块，用于根据样本预测深度图和样本预测相机运动，构建损失函数；
训练模块，用于根据损失函数，对待训练的场景深度预测网络进行训练，以得到场景深度预测网络。
在一种可能的实现方式中，损失函数构建模块，包括：
第四确定子模块，用于根据样本预测相机运动，确定样本图像帧序列中第一样本图像帧的相邻样本图像帧相对第一样本图像帧的重投影误差项；
第五确定子模块，用于根据样本预测深度图的分布连续性，确定惩罚函数项；
构建子模块，用于构根据重投影误差项和惩罚函数项，构建损失函数。
图6示出根据本公开实施例的相机运动预测装置的框图。如图6所示，装置60包括：
第一获取模块61，用于获取t时刻对应的图像帧序列，其中，图像帧序列包括t时刻的目标图像帧和目标图像帧的相邻图像帧；
第一相机运动预测模块62，用于通过相机运动预测网络利用t-1时刻的第二隐状态信息对图像帧序列进行相机位姿预测，确定图像帧序列对应的预测相机运动，其中，第二隐状态信息包括与相机运动相关的特征信息，相机运动预测网络是基于场景深度预测网络辅助训练得到的。
在一种可能的实现方式中，第一相机运动预测模块62，包括：
第一确定子模块，用于对图像帧序列进行特征提取，确定图像帧序列对应的第二特征图，其中，第二特征图为与相机运动相关的特征图；
第二确定子模块，用于根据第二图特征和t-1时刻的第二隐状态信息，确定t时刻的第二隐状态信息；
第三确定子模块，用于根据t时刻的第二隐状态信息，确定预测相机运动。
在一种可能的实现方式中，预测相机运动包括图像帧序列中相邻图像帧之间的相对位姿。
在一种可能的实现方式中，装置60还包括：
第二获取模块，用于获取t时刻对应的样本图像帧序列，其中，样本图像帧序列包括t时刻的第一样本图像帧和第一样本图像帧的相邻样本图像帧；
场景深度预测模块，用于通过场景深度预测网络利用t-1时刻的第一隐状态信息对第一样本图像帧进行场景深度预测，确定第一样本图像帧对应的样本预测深度图，其中，第一隐状态信息包括与场景深度相关的特征信息；
第二相机运动预测模块，用于通过待训练的相机运动预测网络利用t-1时刻的第二隐状态信息对样本图像帧序列进行相机位姿预测，确定样本图像帧序列对应的样本预测相机运动，其中，第二隐状态信息包括与相机运动相关的特征信息；
损失函数构建模块，用于根据样本预测深度图和样本预测相机运动，构建损失函数；
训练模块，用于根据损失函数，对待训练的相机运动预测网络进行训练，以得到相机运动预测网络。
在一种可能的实现方式中，损失函数构建模块，包括：
第四确定子模块，用于根据样本预测相机运动，确定样本图像帧序列中第一样本图像帧的相邻样本图像帧相对第一样本图像帧的重投影误差项；
第五确定子模块，用于根据样本预测深度图的分布连续性，确定惩罚函数项；
构建子模块，用于根据重投影误差项和惩罚函数项，构建损失函数。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的场景深度和/或相机运动预测方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的场景深度和/或相机运动预测方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备的框图。如图7所示，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口，上述***接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备的框图。如图8所示，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (14)

1.一种场景深度预测方法，其特征在于，包括：
获取t时刻的目标图像帧；
通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述目标图像帧进行场景深度预测，确定所述目标图像帧对应的预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息，所述场景深度预测网络是基于相机运动预测网络辅助训练得到的。
2.根据权利要求1所述的方法，其特征在于，所述通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述目标图像帧进行场景深度预测，确定所述目标图像帧对应的预测深度图，包括：
对所述目标图像帧进行特征提取，确定所述目标图像帧对应的第一特征图，其中，所述第一特征图为与场景深度相关的特征图；
根据所述第一特征图和t-1时刻的所述第一隐状态信息，确定t时刻的所述第一隐状态信息；
根据t时刻的所述第一隐状态信息，确定所述预测深度图。
3.根据权利要求2所述的方法，其特征在于，t-1时刻的所述第一隐状态信息包括t-1时刻的不同尺度下的所述第一隐状态信息；
所述对所述目标图像帧进行特征提取，确定所述目标图像帧对应的第一特征图，包括：
对所述目标图像帧进行多尺度下采样，确定所述目标图像帧对应的不同尺度下的所述第一特征图；
所述根据所述第一特征图和t-1时刻的所述第一隐状态信息，确定t时刻的所述第一隐状态信息，包括：
针对任一尺度，根据该尺度下的所述第一特征图和t-1时刻的该尺度下的所述第一隐状态信息，确定t时刻的该尺度下的所述第一隐状态信息；
所述根据t时刻的所述第一隐状态信息，确定所述预测深度图，包括：
将t时刻的不同尺度下的所述第一隐状态信息进行特征融合，确定所述预测深度图。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
获取t时刻对应的样本图像帧序列，其中，所述样本图像帧序列包括t时刻的第一样本图像帧和所述第一样本图像帧的相邻样本图像帧；
通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述样本图像帧序列进行相机位姿预测，确定所述样本图像帧序列对应的样本预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息；
通过待训练的场景深度预测网络利用t-1时刻的第一隐状态信息对所述第一样本图像帧进行场景深度预测，确定所述第一样本图像帧对应的样本预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息；
根据所述样本预测深度图和所述样本预测相机运动，构建损失函数；
根据所述损失函数，对所述待训练的场景深度预测网络进行训练，以得到所述场景深度预测网络。
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本预测深度图和所述样本预测相机运动，构建损失函数，包括：
根据所述样本预测相机运动，确定所述样本图像帧序列中所述第一样本图像帧的相邻样本图像帧相对所述第一样本图像帧的重投影误差项；
根据所述样本预测深度图的分布连续性，确定惩罚函数项；
根据所述重投影误差项和所述惩罚函数项，构建所述损失函数。
6.一种相机运动预测方法，其特征在于，包括：
获取t时刻对应的图像帧序列，其中，所述图像帧序列包括t时刻的目标图像帧和所述目标图像帧的相邻图像帧；
通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述图像帧序列进行相机位姿预测，确定所述图像帧序列对应的预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息，所述相机运动预测网络是基于场景深度预测网络辅助训练得到的。
7.根据权利要求6所述的方法，其特征在于，所述通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述图像帧序列进行相机位姿预测，确定所述图像帧序列对应的预测相机运动，包括：
对所述图像帧序列进行特征提取，确定所述图像帧序列对应的第二特征图，其中，所述第二特征图为与相机运动相关的特征图；
根据所述第二特征图和t-1时刻的所述第二隐状态信息，确定t时刻的所述第二隐状态信息；
根据t时刻的所述第二隐状态信息，确定所述预测相机运动。
8.根据权利要求6或7所述的方法，其特征在于，所述预测相机运动包括所述图像帧序列中相邻图像帧之间的相对位姿。
9.根据权利要求6-8任一项所述的方法，其特征在于，所述方法还包括：
获取t时刻对应的样本图像帧序列，其中，所述样本图像帧序列包括t时刻的第一样本图像帧和所述第一样本图像帧的相邻样本图像帧；
通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述第一样本图像帧进行场景深度预测，确定所述第一样本图像帧对应的样本预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息；
通过待训练的相机运动预测网络利用t-1时刻的第二隐状态信息对所述样本图像帧序列进行相机位姿预测，确定所述样本图像帧序列对应的样本预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息；
根据所述样本预测深度图和所述样本预测相机运动，构建损失函数；
根据所述损失函数，对所述待训练的相机运动预测网络进行训练，以得到所述相机运动预测网络。
10.根据权利要求9所述的方法，其特征在于，所述根据所述样本预测深度图和所述样本预测相机运动，构建损失函数，包括：
根据所述样本预测相机运动，确定所述样本图像帧序列中所述第一样本图像帧的相邻样本图像帧相对所述第一样本图像帧的重投影误差项；
根据所述样本预测深度图的分布连续性，确定惩罚函数项；
根据所述重投影误差项和所述惩罚函数项，构建所述损失函数。
11.一种场景深度预测装置，其特征在于，包括：
第一获取模块，用于获取t时刻的目标图像帧；
第一场景深度预测模块，用于通过场景深度预测网络利用t-1时刻的第一隐状态信息对所述目标图像帧进行场景深度预测，确定所述目标图像帧对应的预测深度图，其中，所述第一隐状态信息包括与场景深度相关的特征信息，所述场景深度预测网络是基于相机运动预测网络辅助训练得到的。
12.一种相机运动预测装置，其特征在于，包括：
第一获取模块，用于获取t时刻对应的图像帧序列，其中，所述图像帧序列包括t时刻的目标图像帧和所述目标图像帧的相邻图像帧；
第一相机运动预测模块，用于通过相机运动预测网络利用t-1时刻的第二隐状态信息对所述图像帧序列进行相机位姿预测，确定所述图像帧序列对应的预测相机运动，其中，所述第二隐状态信息包括与相机运动相关的特征信息，所述相机运动预测网络是基于场景深度预测网络辅助训练得到的。
13.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至10中任意一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
CN202010348872.2A 2020-04-28 2020-04-28 场景深度和相机运动预测方法及装置、电子设备和介质 Active CN111540000B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202010348872.2A CN111540000B (zh) 2020-04-28 2020-04-28 场景深度和相机运动预测方法及装置、电子设备和介质
CN202111204857.1A CN113822918B (zh) 2020-04-28 2020-04-28 场景深度和相机运动预测方法及装置、电子设备和介质
JP2021565990A JP7178514B2 (ja) 2020-04-28 2021-02-08 場面深度とカメラ運動を予測する方法及び装置、機器、媒体並びにプログラム
PCT/CN2021/076038 WO2021218282A1 (zh) 2020-04-28 2021-02-08 场景深度和相机运动预测方法及装置、设备、介质和程序
KR1020217036422A KR102397268B1 (ko) 2020-04-28 2021-02-08 시나리오 깊이와 카메라 움직임 예측 방법 및 장치, 기기, 매체와 프로그램
TW110107767A TWI767596B (zh) 2020-04-28 2021-03-04 場景深度和相機運動預測方法、電子設備和電腦可讀儲存介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010348872.2A CN111540000B (zh) 2020-04-28 2020-04-28 场景深度和相机运动预测方法及装置、电子设备和介质

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202111204857.1A Division CN113822918B (zh) 2020-04-28 2020-04-28 场景深度和相机运动预测方法及装置、电子设备和介质

Publications (2)

Publication Number Publication Date
CN111540000A true CN111540000A (zh) 2020-08-14
CN111540000B CN111540000B (zh) 2021-11-05

Family

ID=71977213

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111204857.1A Active CN113822918B (zh) 2020-04-28 2020-04-28 场景深度和相机运动预测方法及装置、电子设备和介质
CN202010348872.2A Active CN111540000B (zh) 2020-04-28 2020-04-28 场景深度和相机运动预测方法及装置、电子设备和介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202111204857.1A Active CN113822918B (zh) 2020-04-28 2020-04-28 场景深度和相机运动预测方法及装置、电子设备和介质

Country Status (5)

Country Link
JP (1) JP7178514B2 (zh)
KR (1) KR102397268B1 (zh)
CN (2) CN113822918B (zh)
TW (1) TWI767596B (zh)
WO (1) WO2021218282A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232322A (zh) * 2020-12-14 2021-01-15 支付宝(杭州)信息技术有限公司 一种基于对象状态预测的图像生成方法及装置
CN112492230A (zh) * 2020-11-26 2021-03-12 北京字跳网络技术有限公司 视频处理方法、装置、可读介质及电子设备
CN112767481A (zh) * 2021-01-21 2021-05-07 山东大学 一种基于视觉边缘特征的高精度定位及建图方法
WO2021218282A1 (zh) * 2020-04-28 2021-11-04 深圳市商汤科技有限公司 场景深度和相机运动预测方法及装置、设备、介质和程序
CN114998403A (zh) * 2022-06-13 2022-09-02 北京百度网讯科技有限公司 深度预测方法、装置、电子设备、介质
WO2023155043A1 (zh) * 2022-02-15 2023-08-24 中国科学院深圳先进技术研究院 一种基于历史信息的场景深度推理方法、装置及电子设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339402A (zh) * 2021-12-31 2022-04-12 北京字节跳动网络技术有限公司 视频播放完成率预测方法、装置、介质及电子设备
KR102559936B1 (ko) * 2022-01-28 2023-07-27 포티투닷 주식회사 단안 카메라를 이용하여 깊이 정보를 추정하는 방법 및 장치
CN114612510B (zh) * 2022-03-01 2024-03-29 腾讯科技（深圳）有限公司 图像处理方法、装置、设备、存储介质及计算机程序产品
TWI823491B (zh) * 2022-07-22 2023-11-21 鴻海精密工業股份有限公司 深度估計模型的優化方法、裝置、電子設備及存儲介質

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780543A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于卷积神经网络的双框架估计深度和运动方法
WO2019099684A1 (en) * 2017-11-15 2019-05-23 Google Llc Unsupervised learning of image depth and ego-motion prediction neural networks
CN110060286A (zh) * 2019-04-25 2019-07-26 东北大学 一种单目深度估计方法
CN110136185A (zh) * 2019-05-23 2019-08-16 中国科学技术大学 一种单目深度估计方法及***
CN110310317A (zh) * 2019-06-28 2019-10-08 西北工业大学 一种基于深度学习的单目视觉场景深度估计的方法
CN110503680A (zh) * 2019-08-29 2019-11-26 大连海事大学 一种基于非监督的卷积神经网络单目场景深度估计方法
CN110942484A (zh) * 2019-11-26 2020-03-31 福州大学 基于遮挡感知和特征金字塔匹配的相机自运动估计方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3507771B1 (en) * 2016-09-15 2020-06-24 Google LLC Image depth prediction neural networks
US10803546B2 (en) * 2017-11-03 2020-10-13 Baidu Usa Llc Systems and methods for unsupervised learning of geometry from images using depth-normal consistency
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
CN112639878A (zh) * 2018-09-05 2021-04-09 谷歌有限责任公司 无监督深度预测神经网络
US10860873B2 (en) * 2018-09-17 2020-12-08 Honda Motor Co., Ltd. Driver behavior recognition and prediction
CN109978851B (zh) * 2019-03-22 2021-01-15 北京航空航天大学 一种红外视频空中弱小运动目标检测跟踪方法
CN110264526B (zh) * 2019-06-19 2023-04-07 华东师范大学 一种基于深度学习的场景深度和摄像机位置姿势求解方法
CN110378250B (zh) * 2019-06-28 2021-04-09 深圳先进技术研究院 用于场景认知的神经网络的训练方法、装置及终端设备
CN110473254A (zh) * 2019-08-20 2019-11-19 北京邮电大学 一种基于深度神经网络的位姿估计方法及装置
CN111028282A (zh) * 2019-11-29 2020-04-17 浙江省北大信息技术高等研究院 一种无监督位姿与深度计算方法及***
CN113822918B (zh) * 2020-04-28 2024-07-12 深圳市商汤科技有限公司 场景深度和相机运动预测方法及装置、电子设备和介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780543A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于卷积神经网络的双框架估计深度和运动方法
WO2019099684A1 (en) * 2017-11-15 2019-05-23 Google Llc Unsupervised learning of image depth and ego-motion prediction neural networks
CN110060286A (zh) * 2019-04-25 2019-07-26 东北大学 一种单目深度估计方法
CN110136185A (zh) * 2019-05-23 2019-08-16 中国科学技术大学 一种单目深度估计方法及***
CN110310317A (zh) * 2019-06-28 2019-10-08 西北工业大学 一种基于深度学习的单目视觉场景深度估计的方法
CN110503680A (zh) * 2019-08-29 2019-11-26 大连海事大学 一种基于非监督的卷积神经网络单目场景深度估计方法
CN110942484A (zh) * 2019-11-26 2020-03-31 福州大学 基于遮挡感知和特征金字塔匹配的相机自运动估计方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021218282A1 (zh) * 2020-04-28 2021-11-04 深圳市商汤科技有限公司 场景深度和相机运动预测方法及装置、设备、介质和程序
CN112492230A (zh) * 2020-11-26 2021-03-12 北京字跳网络技术有限公司 视频处理方法、装置、可读介质及电子设备
CN112232322A (zh) * 2020-12-14 2021-01-15 支付宝(杭州)信息技术有限公司 一种基于对象状态预测的图像生成方法及装置
CN112767481A (zh) * 2021-01-21 2021-05-07 山东大学 一种基于视觉边缘特征的高精度定位及建图方法
CN112767481B (zh) * 2021-01-21 2022-08-16 山东大学 一种基于视觉边缘特征的高精度定位及建图方法
WO2023155043A1 (zh) * 2022-02-15 2023-08-24 中国科学院深圳先进技术研究院 一种基于历史信息的场景深度推理方法、装置及电子设备
CN114998403A (zh) * 2022-06-13 2022-09-02 北京百度网讯科技有限公司 深度预测方法、装置、电子设备、介质

Also Published As

Publication number Publication date
CN113822918B (zh) 2024-07-12
WO2021218282A1 (zh) 2021-11-04
KR102397268B1 (ko) 2022-05-12
KR20210138788A (ko) 2021-11-19
TW202141428A (zh) 2021-11-01
JP2022528012A (ja) 2022-06-07
CN113822918A (zh) 2021-12-21
TWI767596B (zh) 2022-06-11
JP7178514B2 (ja) 2022-11-25
CN111540000B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
CN111540000B (zh) 场景深度和相机运动预测方法及装置、电子设备和介质
CN109829863B (zh) 图像处理方法及装置、电子设备和存储介质
CN110798630B (zh) 图像处理方法及装置、电子设备和存储介质
CN110503689B (zh) 位姿预测方法、模型训练方法及装置
CN111401230B (zh) 姿态估计方法及装置、电子设备和存储介质
CN111445414B (zh) 图像处理方法及装置、电子设备和存储介质
CN111462238B (zh) 姿态估计优化方法、装置及存储介质
CN109840917B (zh) 图像处理方法及装置、网络训练方法及装置
JP7316456B2 (ja) 点群マップ構築方法及びその装置、電子機器、記憶媒体並びにプログラム
CN113074726A (zh) 位姿确定方法及装置、电子设备和存储介质
CN112184787A (zh) 图像配准方法及装置、电子设备和存储介质
CN112991381A (zh) 图像处理方法及装置、电子设备和存储介质
CN113052874B (zh) 目标跟踪方法及装置、电子设备和存储介质
CN113012052A (zh) 图像处理方法及装置、电子设备和存储介质
CN112837372A (zh) 数据生成方法及装置、电子设备和存储介质
CN111931781A (zh) 图像处理方法及装置、电子设备和存储介质
CN109635926B (zh) 用于神经网络的注意力特征获取方法、装置及存储介质
CN112651880B (zh) 视频数据处理方法及装置、电子设备和存储介质
CN111784772B (zh) 基于域随机化的姿态估计模型训练方法及装置
CN113506324A (zh) 图像处理方法及装置、电子设备和存储介质
CN112461245A (zh) 数据处理方法及装置、电子设备和存储介质
CN113506325A (zh) 图像处理方法及装置、电子设备和存储介质
CN112800954A (zh) 文本检测方法及装置、电子设备和存储介质
CN112837361B (zh) 一种深度估计方法及装置、电子设备和存储介质
CN112967311B (zh) 三维线图构建方法及装置、电子设备和存储介质

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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40033556

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant