-
题名基于格拉姆矩阵注意力的室外自监督单目深度估计方法
- 1
-
-
作者
贾宏君
张海龙
李敬国
张晖敏
韩成功
江鹤
-
机构
内蒙古白音华蒙东露天煤业有限公司
成都大学模式识别与智能信息处理四川省高校重点实验室
中国矿业大学计算机科学与技术学院
中国矿业大学信息与控制工程学院
-
出处
《计算机科学》
北大核心
2025年第S2期487-495,共9页
-
基金
国家自然科学基金(52304182,52204177)
成都大学模式识别与智能信息处理四川省高校重点实验室开放基金(MSSB-2024-04)
+1 种基金
系统控制与信息处理教育部重点实验室开放基金(SCIP20240105)
矿山精细勘探与智能监测技术创新基地合作项目(2023MPIM03)。
-
文摘
在室外深度估计任务中,传统的基于U型网络的模型在特征提取与融合阶段往往忽略了不同特征间的相关性和差异性,未能充分利用特征间的交互信息。针对这一问题,提出了一种基于格拉姆矩阵注意力的室外单目深度估计方法。具体而言,首先利用格拉姆矩阵分解的特性,设计了特征间的相关性矩阵和差异性矩阵,从而增强了特征间的信息交互及表征能力。在此基础上,进一步将格拉姆矩阵注意力机制生成的掩码与卷积层提取的特征进行深度融合。通过结合注意力机制所关注的重要特征与卷积层所捕捉的精细细节,实现了特征表达的多样性和完整性。大量的实验结果表明,在室外场景数据集KITTI上,引入格拉姆矩阵注意力机制后,网络的性能得到了提升。所提方法δ1指标提高到0.880,绝对误差指标则下降至0.112。此外,在Make3D数据集上的测试结果也进一步验证了该模型的优越性,具体表现为绝对相对误差、均方根相对误差、均方根误差分别达到了0.318,3.174和7.163的优异水平。
-
关键词
深度估计
格拉姆矩阵
相关性矩阵
差异性矩阵
特征融合
-
Keywords
Depth estimation
Gram matrix
Correlation matrix
Difference matrix
Feature fusion
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
