深度指导的无监督领域自适应语义分割

为了提高语义分割精度,解决模型在不同数据域上泛化性差的问题,提出基于深度信息的无监督领域自适应语义分割方法.首先,深度感知自适应框架通过捕捉深度信息和语义信息的内在联系,减小不同域之间的差异;然后,设计了一个轻量级深度估计网络来提供深度信息,通过跨任务交互策略融合深度和语义信息,并在深度感知空间对齐源域和目标域的分布差距;最后,提出基于深度信息的域内自适应策略弥合目标域内部的分布差异,将目标域分为子源域和子目标域,并缩小子源域和子目标域分布差距.实验结果表明,所提方法在SYNTHIA-2-Cityscapes和SYNTHIA-2-Mapillary跨域任务上的平均交并比分别为46.7%和73.3%,与同类方法相比,该方法在语义分割和深度估计精度上均有显著提升.

利用自监督卷积网络估计单图像深度信息

为了提高利用深度神经网络预测单图像深度信息的精确度,提出了一种采用自监督卷积神经网络进行单图像深度估计的方法.首先,该方法通过在编解码结构中引入残差结构、密集连接结构和跳跃连接等方式改进了单图像深度估计卷积神经网络,改善了网络的学习效率和性能,加快了网络的收敛速度;其次,通过结合灰度相似性、视差平滑和左右视差匹配等损失度量设计了一种更有效的损失函数,有效地降低了图像光照因素影响,遏制了图像深度的不连续性,并能保证左右视差的一致性,从而提高深度估计的鲁棒性;最后,采用立体图像作为训练数据,无需目标深度监督信息,实现了端到端的单幅图像深度估计.在TensorFlow框架下,用KITTI和Cityscapes数据集进行实验,结果表明,与目前的主流方法相比,该方法在预测深度的精确度方面有较大提升,拥有更好的深度预测性能.

基于二值空间编解码的结构光三维场景重建

在双目结构光系统下,提出一种基于二值空间的条纹边界编解码方法。提出二值空间的定义;按投影顺序将投影图案分层,并为第一层条纹图像构造初始二值空间;根据初始二值空间内黑白条纹的顺序,分别在两个子空间内提取第二层条纹图像的边界线;重复上述操作,每一层条纹图像的边界线都从上一层构造的二值子空间内提取,在此过程中,同时考虑左、右视角下二值空间状态的一致性,并按边界线提取顺序对条纹边界解码,对于断开边界,则根据二值空间的方向在空间内连接边界线;最后,分别拟合正、反条纹边界点的灰度直线,通过求直线交点得到亚像素边缘点。实验结果表明,该方法能完整准确地提取条纹边界线,解码正确率为100%,对平面重建的误差为0.0993mm,对复杂场景的条纹图像具有较强的抗干扰性。