融合多尺度特征的轻量级单目图像深度估计方法

针对目前的单目深度估计网络复杂度高、边缘模糊、精度低等问题,本文以Fast Depth网络模型架构为基础,在编码网络中以改进的模型提升网络的特征表达能力,在解码网络中融合了多尺度特征信息提升特征图推理精度,通过改进的D-ASPP模块细化编解码网络之间语义场景层次,解决边缘模糊和虚假纹理等问题。实验表明,此方法在保持较快的推理速度的同时,获得了较好的深度推理精度,是一种综合性能较好的轻量级单目深度方法。     

基于改进GhostNet模型的快速单目图像深度估计

针对移动互联网背景下嵌入式平台的单目深度估计任务,在Fast Depth的基础上,通过改进Ghost模块和瓶颈层生成的SE-GhostNet网络模型改进编码网络,以获得更快的推理时间和更优的推理效果,使用改进的局部平面参数预测LPP方法改进解码网络,避免多尺度预测中的上采样引发局部极小值问题,并获得更稠密的深度图。实验表明,本文方法在保证推2理速度的同时,与其他优秀的算法相比,也能取得较好的深度精度。