Document
拖动滑块完成拼图
个人中心

预订订单
商城订单
发布专利 发布成果 人才入驻 发布商标 发布需求

请提出您的宝贵建议,有机会获取IP积分或其他奖励

投诉建议

在线咨询

联系我们

龙图腾公众号
首页 专利交易 IP管家助手 科技果 科技人才 积分商城 国际服务 商标交易 会员权益 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 北京航空航天大学赵慧洁获国家专利权

北京航空航天大学赵慧洁获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网获悉北京航空航天大学申请的专利一种基于自监督深度学习的室内单目深度估计方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN117218174B

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202311001255.5,技术领域涉及:G06T7/557;该发明授权一种基于自监督深度学习的室内单目深度估计方法是由赵慧洁;郭晓彤;邵树威;李旭东;张宝昌设计研发完成,并于2023-08-10向国家知识产权局提交的专利申请。

一种基于自监督深度学习的室内单目深度估计方法在说明书摘要公布了:本发明公开了一种基于自监督深度学习的室内单目深度估计方法,用于从单幅图像预测室内场景的深度,涉及计算机视觉领域。本发明引入自监督光流估计网络,为深度估计提供有效的监督信息。首先,将光流估计网络的原始光度损失优化为基于局部像素块的光度损失,采用公开的室内场景数据集对光流估计网络进行微调,并固定微调后的光流网络参数;然后,利用光流网络预测的光流,设计光流一致性损失,并基于光流网络生成的特征金字塔,设计多尺度特征图合成损失,监督深度估计网络的训练;最后,基于训练好的深度估计模型,对单张图像进行深度预测。本发明通过设计有效的损失函数项,提升室内低纹理区域的深度估计精度。

本发明授权一种基于自监督深度学习的室内单目深度估计方法在权利要求书中公布了:1.一种基于自监督深度学习的室内单目深度估计方法,其特征在于,包括以下步骤: 1将拍摄于室内的单目序列图像数据集划分为训练集及测试集,并对数据进行预处理; 2构建基于自监督光流学习的深度估计网络整体框架,利用光流网络预测的光流及多尺度特征图,设计相应的损失函数项; 3将光流网络的原始光度损失优化为基于局部像素块的光度损失,在预训练过的光流估计网络基础上,使用划分好的训练集,结合优化后的光度损失对其进行微调; 4将训练集作为输入,用微调后的光流网络进行预测,得到的光流作为深度估计的监督信息之一,并设计相应的光流一致性损失; 5将训练集作为输入,用微调后的光流网络计算多尺度特征图,作为深度估计的另一个监督信息,并设计相应的多尺度特征图合成损失; 6基于构建的深度估计网络框架和设计的损失函数,用训练集对网络进行训练; 7将单张图像作为输入,经模型预测即可得到深度结果; 所述的3中,对光流估计网络的光度损失进行优化,优化后的光度损失仅采用具有显著特征的特征点及其邻域的像素参与计算;首先采用直接稀疏里程计算法提取特征点,并选择特征点周围3×3的局部像素块参与光度损失的计算,所述像素块表示为: P={x+xk,y+yk,xk∈{-N,0,N},yk∈{-N,0,N}}; 其中,x,y是特征点的像素坐标,通过调整N可以设置像素块的大小;对于从目标图像到源图像的预测光流ft→s,所述的基于局部像素块的光度损失表示为: 其中,F·表示用于计算像素间相似性的函数,为了尽可能降低环境光照变化对光度一致性的影响,采用三元Census变换损失来描述像素间相似性;IP表示源图像中像素块的像素亮度,表示被重映射的像素亮度,其计算公式为P是目标图像中像素块的像素亮度; 光流估计网络的损失函数由基于局部像素块的光度损失和平滑性损失组成,表示为: flow=Lpatchft→s+λLsmft→s; 其中,ft→s表示从目标图像到源图像的预测光流,λ在训练中设置为50,平滑性损失定义为: 其中,I表示目标图像;基于在光流数据集上预训练过的模型参数,结合优化后的损失函数,采用步骤1中划分的训练集对光流估计网络进行微调,每组序列图像中的第0帧和第+1帧作为目标图像和源图像; 所述的4中,将微调后的光流网络预测的光流作为深度估计的监督信息,并设计光流一致性损失,光流一致性损失表示为: rigid=|frigidp-fflowp|; 其中,frigidp表示深度估计网络在训练过程中计算的刚性流,fflowpt表示光流估计网络预测的光流; 所述的5中,将训练集输入网络,经过Siamese特征金字塔网络进行卷积,得到目标图像和源图像的多尺度特征图,作为深度估计网络的另一个监督信息;将刚性流降采样至和特征图相同的尺度,目标图像的特征图通过相应尺度的刚性流进行重映射,得到合成的源图像特征图,计算其与源图像的实际特征图之间的差别,作为多尺度特征图合成损失,该损失可以表示为: 其中,Fsrcpt表示源图像的实际特征图,表示源图像的合成特征图,计算公式为: 其中,Ftgtpt表示目标图像的特征图。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人北京航空航天大学,其通讯地址为:100191 北京市海淀区学院路37号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。