检索结果-维普期刊中文期刊服务平台

基于多尺度注意力导向网络的单目图像深度估计被引量：8: 1; 作者刘杰平温竣文梁亚玲《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2020年第12期52-62,共11页; 针对现有基于深度学习的单目图像深度估计算法存在的空间分辨率低和边缘模糊等问题,提出了一种基于多尺度注意力导向网络的单目图像深度估计算法。首先设计了一个端到端的编码器-解码器模型,编码器以多个尺度进行特征提取。为了保证更... 展开更多; 关键词深度学习单目图像深度估计多尺度注意力导向网络多尺度特征通道注意力融合; 在线阅读下载PDF 职称材料

基于多尺度特征融合的快速单目图像深度估计被引量：3: 2; 作者孔慧芳房亮《合肥工业大学学报（自然科学版）》 CAS 北大核心 2022年第3期332-335,432,共5页; 文章针对目前采用深度学习估计单目图像深度中存在推理时间长、物体边缘细节不清晰的问题,设计一种基于多尺度特征融合的快速单目图像深度估计网络。将GhostNet运用到单目图像深度估计网络的编码网络中,提高网络的编码速度;采用反卷积... 展开更多; 关键词深度学习单目图像深度估计边缘细节多尺度特征融合推理速度; 在线阅读下载PDF 职称材料

基于带squeeze-and-excitation模块的ResNeXt的单目图像深度估计方法被引量：1: 3; 作者温静李智宏《计算机应用》 CSCD 北大核心 2021年第1期215-219,共5页; 针对目前单目图像深度估计任务缺乏对特征通道之间的全局信息关系表示的问题,提出了一种基于SEResNeXt的单目图像深度估计方法。首先,通过建模特征通道间的动态且非线性的关系来提高网络的全局信息表示能力;然后,采用特征重标定策略来... 展开更多; 关键词单目图像深度估计信息聚合全局信息特征重标定特征响应; 在线阅读下载PDF 职称材料

基于全卷积编解码网络的单目图像深度估计被引量：6: 4; 作者夏梦琪郝琨赵璐《计算机工程与应用》 CSCD 北大核心 2021年第14期231-236,共6页; 针对传统方法在单目图像深度估计时精度低、速度慢等问题,提出一种全卷积编码-解码网络模型,该模型将稀疏的深度样本集和RGB图像作为输入,编码层由Resnet和一个卷积层组成,解码层由两个上采样层和一个双线性上采样层组成,上采样层采用... 展开更多; 关键词单目图像深度估计卷积神经网络深度残差网络稀疏深度测量; 在线阅读下载PDF 职称材料

Transformer与多尺度注意力的自监督单目图像深度估计被引量：2: 5; 作者梁水波刘紫燕 +2 位作者孙昊堃袁浩梁静《小型微型计算机系统》 CSCD 北大核心 2023年第4期825-831,共7页; 针对现有自监督学习的单目图像深度估计在分辨率较大情况下存在边缘模糊、物体轮廓不清晰等问题,本文提出一种结合视觉Transformer的多尺度通道注意力融合单目图像深度估计网络.首先,设计编码器-解码器模型,将视觉Transformer结构作为... 展开更多; 关键词深度学习单目图像深度估计 TRANSFORMER 自监督学习通道注意力; 在线阅读下载PDF 职称材料

融合图像深度的抗遮挡目标跟踪算法被引量：1: 6; 作者王希鹏李永 +1 位作者李智张妍《郑州大学学报（工学版）》 CAS 北大核心 2021年第5期19-24,31,共7页; 由于视频信息的局限性,在遮挡情况下的目标跟踪依然是一个很难解决的问题。针对目标跟踪过程中的遮挡问题,提出将图像深度引入单目标跟踪算法。首先应用单目图像深度估计算法对图像进行深度估计,获取图像的深度信息;其次,将基于孪生区... 展开更多; 关键词孪生网络深度学习目标跟踪单目图像深度估计抗遮挡; 在线阅读下载PDF 职称材料

题名基于多尺度注意力导向网络的单目图像深度估计被引量：8: 1; 作者刘杰平温竣文梁亚玲; 机构华南理工大学电子与信息学院; 出处《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2020年第12期52-62,共11页; 基金国家自然科学基金资助项目(61701181,61471173) 广东省自然科学基金资助项目(2017A030325430)。; 文摘针对现有基于深度学习的单目图像深度估计算法存在的空间分辨率低和边缘模糊等问题,提出了一种基于多尺度注意力导向网络的单目图像深度估计算法。首先设计了一个端到端的编码器-解码器模型,编码器以多个尺度进行特征提取。为了保证更好的深度连续性,解码器结合残差学习以及通道注意力融合,对提取的多尺度特征逐步优化细节以及场景结构。考虑到多次下采样会导致深度图细节的丢失,设计了边界增强模块,通过引入空间注意力,提升不同物体的类间对比度以增强图像的边界细节。最后,优化模块融合来自解码器和边界增强模块的多尺度特征,生成深度图像。实验结果表明,与当前主流的算法相比,文中算法生成的深度图像质量得到了提高,表现出了更细致的物体轮廓信息,在客观指标和主观效果上均有良好的表现。; 关键词深度学习单目图像深度估计多尺度注意力导向网络多尺度特征通道注意力融合; Keywords deep learning monocular image depth estimation multi-scale attention-oriented network multi-scale feature channel attention fusion; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于多尺度特征融合的快速单目图像深度估计被引量：3: 2; 作者孔慧芳房亮; 机构合肥工业大学电气与自动化工程学院; 出处《合肥工业大学学报（自然科学版）》 CAS 北大核心 2022年第3期332-335,432,共5页; 基金安徽省科技攻关计划资助项目(JZ2021AKKG0310)。; 文摘文章针对目前采用深度学习估计单目图像深度中存在推理时间长、物体边缘细节不清晰的问题,设计一种基于多尺度特征融合的快速单目图像深度估计网络。将GhostNet运用到单目图像深度估计网络的编码网络中,提高网络的编码速度;采用反卷积和双线性插值设计解码网络,并通过跨层连接将编码网络的特征与解码网络的特征融合增强深度图中物体的边缘细节。在通用数据集NYU Depth V2上训练和测试的结果表明,该文设计的网络模型得到的深度图细节保持较为完整,同时具有较高的推理速度。; 关键词深度学习单目图像深度估计边缘细节多尺度特征融合推理速度; Keywords deep learning monocular depth estimation edge detail multi-scale feature fusion inference speed; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于带squeeze-and-excitation模块的ResNeXt的单目图像深度估计方法被引量：1: 3; 作者温静李智宏; 机构山西大学计算机与信息技术学院; 出处《计算机应用》 CSCD 北大核心 2021年第1期215-219,共5页; 基金山西省应用基础研究计划项目(201701D121053)。; 文摘针对目前单目图像深度估计任务缺乏对特征通道之间的全局信息关系表示的问题,提出了一种基于SEResNeXt的单目图像深度估计方法。首先,通过建模特征通道间的动态且非线性的关系来提高网络的全局信息表示能力;然后,采用特征重标定策略来自适应地重新校准特征通道的响应,从而进一步提升特征利用率;最后,通过ResNeXt结构在不增加模型复杂度的基础上进一步提升方法的性能。实验结果表明,相比与没有采用ResNeXt结构的算法,该方法获得了更低的误差值,其均方根误差(RMSE)降低了10%,绝对相对误差(AbsRel)降低了27%。; 关键词单目图像深度估计信息聚合全局信息特征重标定特征响应; Keywords monocular image depth estimation information aggregation global information feature re-calibration feature response; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于全卷积编解码网络的单目图像深度估计被引量：6: 4; 作者夏梦琪郝琨赵璐; 机构天津城建大学计算机与信息工程学院; 出处《计算机工程与应用》 CSCD 北大核心 2021年第14期231-236,共6页; 基金国家自然科学基金(61902273) 天津市自然科学基金(18JCYBJC85600)。; 文摘针对传统方法在单目图像深度估计时精度低、速度慢等问题,提出一种全卷积编码-解码网络模型,该模型将稀疏的深度样本集和RGB图像作为输入,编码层由Resnet和一个卷积层组成,解码层由两个上采样层和一个双线性上采样层组成,上采样层采用上卷积模块和上投影模块交叉使用,有效降低了棋盘效应并保留了预测深度图像的边缘信息。同时,模型中使用了全卷积,使得参数减少,提升了预测速度。在NYU-Depth-v2数据集上验证了网络模型的有效性与优越性。实验结果表明,在仅使用RGB图像进行深度预测的情况下,与多尺度卷积神经网络相比,该模型在精度δ<1.25上提高约4%,均方根误差指标降低约11%;与仅使用RGB图像相比,添加100个空间随机深度样本,均方根误差降低约26%。; 关键词单目图像深度估计卷积神经网络深度残差网络稀疏深度测量; Keywords monocular image depth estimation convolution neural network depth residual network sparse depth measurement; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名Transformer与多尺度注意力的自监督单目图像深度估计被引量：2: 5; 作者梁水波刘紫燕孙昊堃袁浩梁静; 机构贵州大学大数据与信息工程学院; 出处《小型微型计算机系统》 CSCD 北大核心 2023年第4期825-831,共7页; 基金贵州省科学技术基金项目(黔科合基础[2016]1054)资助贵州省联合资金项目(黔科合LH字[2017]7226号)资助 +1 种基金贵州省科技计划项目(黔科合SY字[2011]3111)资助。; 文摘针对现有自监督学习的单目图像深度估计在分辨率较大情况下存在边缘模糊、物体轮廓不清晰等问题,本文提出一种结合视觉Transformer的多尺度通道注意力融合单目图像深度估计网络.首先,设计编码器-解码器模型,将视觉Transformer结构作为编码器在多个尺度上提取特征.其次,设计残差通道注意力融合的解码器,优化提取到的多尺度特征并实现上下级特征融合以提高上下文信息的利用率.最后,在多个尺度下对单目图像进行深度估计.本文提出的算法在KITTI数据集上进行实验.实验结果表明,所提出算法的深度图像质量和物体轮廓信息均高于现有算法,其绝对相对误差、平方相对误差和均方根误差分别达到了0.119、0.857和4.571,在不同阈值下的准确度达到了0.959、0.995和0.999,验证了所提算法的正确性和有效性.; 关键词深度学习单目图像深度估计 TRANSFORMER 自监督学习通道注意力; Keywords deep learning monocular image depth estimation Transformer self-supervised learning channel attention; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名融合图像深度的抗遮挡目标跟踪算法被引量：1: 6; 作者王希鹏李永李智张妍; 机构武警工程大学信息工程学院; 出处《郑州大学学报（工学版）》 CAS 北大核心 2021年第5期19-24,31,共7页; 基金全国教育科学“十三五”规划课题(JYKYB2019012)。; 文摘由于视频信息的局限性,在遮挡情况下的目标跟踪依然是一个很难解决的问题。针对目标跟踪过程中的遮挡问题,提出将图像深度引入单目标跟踪算法。首先应用单目图像深度估计算法对图像进行深度估计,获取图像的深度信息;其次,将基于孪生区域推荐网络的目标跟踪算法与图像深度相结合,构建遮挡判别模块,利用目标深度信息的变化判断遮挡情况;最后,将遮挡判别得分与锚点框响应得分进行加权融合,根据最终响应得分对目标跟踪器的候选框重新排序,避免目标跟踪被遮挡物干扰而产生跟踪漂移。在OTB-2015数据集上的实验结果表明:该算法能有效地应对遮挡情况对跟踪性能的影响,平均跟踪成功率为0.623,平均跟踪精确度为0.853,相比基准算法分别提高了1.8%和0.9%。; 关键词孪生网络深度学习目标跟踪单目图像深度估计抗遮挡; Keywords siamese network deep learning target tracking monocular depth estimation anti-occlusion; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于多尺度注意力导向网络的单目图像深度估计	刘杰平温竣文梁亚玲	《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心	2020	8	在线阅读下载PDF 职称材料
2	基于多尺度特征融合的快速单目图像深度估计	孔慧芳房亮	《合肥工业大学学报（自然科学版）》 CAS 北大核心	2022	3	在线阅读下载PDF 职称材料
3	基于带squeeze-and-excitation模块的ResNeXt的单目图像深度估计方法	温静李智宏	《计算机应用》 CSCD 北大核心	2021	1	在线阅读下载PDF 职称材料
4	基于全卷积编解码网络的单目图像深度估计	夏梦琪郝琨赵璐	《计算机工程与应用》 CSCD 北大核心	2021	6	在线阅读下载PDF 职称材料
5	Transformer与多尺度注意力的自监督单目图像深度估计	梁水波刘紫燕孙昊堃袁浩梁静	《小型微型计算机系统》 CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料
6	融合图像深度的抗遮挡目标跟踪算法	王希鹏李永李智张妍	《郑州大学学报（工学版）》 CAS 北大核心	2021	1	在线阅读下载PDF 职称材料