单帧非自然图像深度估计与动态合成

深度学习在单目深度估计任务上表现优异,通过学习单帧图像与深度图像之间存在的映射关系来估计图像的深度。但是,目前单目深度估计的研究仅关注于自然图像,当把它应用于非自然图像,如绘画图像时,相对于自然图像,它们有着低纹理、切边锐利、平滑过渡相对少的特点,会出现深度估计中前后不同物体的层次感不明显,以及同一物体上出现深度不一致的问题。本文根据这类图像设计了一个由单目深度估计模块和RGB图像指导的精细化模块构成的精细单目深度估计网络RefineDepth来改善以上问题。同时,由于绘画图像缺乏对应深度信息,本文通过三维场景卡通风格渲染图像来模拟绘画类非自然图像的方式,制作了两个绘画图像数据集SSMO和SU3D,并建立了一个真实的山水画测试集。实验结果表明,模型在测试的数据集上都取得了出色的结果。最后,将绘画图像进行基于深度图像渲染,动态合成立体效果。

基于联合分类器的非自然图像检索

卷积神经网络已经被广泛应用于图像检索领域,目前的图像检索系统在自然图像上效果很好。但是自然世界中还存在着海报、漫画这样的非自然图像,这些图像的检索效果并不好。相比于自然图像,这些图像往往具有大面积的单一色块,相邻色块间经常存在强烈的颜色对比,色块的分布也更无规律,可提取特征较少。如果想要较好的检索效果,就需要提取较多的特征,进而需要设计更深、更复杂的网络,或者利用多个卷积神经网络的提取信息。尝试解决以海报图像为例的非自然图像检索,提出一个基于卷积神经网络的联合分类器。此联合分类器用不同的融合算法结合了多个独立分类器的结果,再进行分类。实验结果表明,对比单分类器,所提出的基于卷积神经网络的联合分类器能有效提高分类准确率。

非结构化自然图像自主导航中的两类分割方法

以园艺草割过与未割过的自然图像两类分割为研究对象 ,提出了基于多尺度特征提取 ,以行像素最小、次小和最大、次大值求取加权中值点集的窄带兴趣区法 ,以及相邻行像素两类特征证据增强与多证据模糊判别增强分割法。通过自动跟踪分割实验 ,显示出自然图像中的不同色块和阴影对分割影响不大 ,而且能够做到实时输出分割参数 ,70 ms内自主做出未经透视投影变换的作业机理想移动方向决策。这两种方法对纹理两类边缘的分割是完全无监督的 ,可避免耗时的计算和人工操作介入。