對(duì)單目紅外圖像進(jìn)行深度估計(jì),不僅有利于3D場(chǎng)景理解,而且有助于進(jìn)一步推廣和開發(fā)夜間視覺應(yīng)用。針對(duì)紅外圖像無顏色、紋理不豐富、輪廓不清晰等缺點(diǎn),本文提出一種新穎的深度條件隨機(jī)場(chǎng)網(wǎng)絡(luò)學(xué)習(xí)模型（deep conditional random field network, DCRFN）來估計(jì)紅外圖像的深度。首先,與傳統(tǒng)條件隨機(jī)場(chǎng)（conditional random field, CRF）模型不同,DCRFN不需預(yù)設(shè)成對(duì)特征,可通過一個(gè)淺層網(wǎng)絡(luò)架構(gòu)提取和優(yōu)化模型的成對(duì)特征。其次,將傳統(tǒng)單目圖像深度回歸問題轉(zhuǎn)換為分類問題,在損失函數(shù)中考慮不同標(biāo)簽的有序信息,不僅加快了網(wǎng)絡(luò)的收斂速度,而且有助于獲得更優(yōu)的解。最后,本文在DCRFN損失函數(shù)層計(jì)算不同空間尺度的成對(duì)項(xiàng),使得預(yù)測(cè)深度圖的景物輪廓信息相比于無尺度約束模型更加豐富。實(shí)驗(yàn)結(jié)果表明,本文提出的方法在紅外數(shù)據(jù)集上優(yōu)于現(xiàn)有的深度估計(jì)方法,在局部場(chǎng)景變化的預(yù)測(cè)中更加平滑。 

【文章來源】：紅外技術(shù). 2020,42(06)北大核心CSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

DCCRFN學(xué)習(xí)模型型Fig.2DCRFNlearnningmodel

第20584.本果42卷第6期020年6月86Fig.5Search.2實(shí)驗(yàn)結(jié)果在給定模本文提出的D果。可以看出圖5DCRFhfortheoptima果分析模型最優(yōu)超參DCRFN與一出，在NUSTTable2ComMethMake3D[6]Eigenetal.[11]DeepLabV1[16Liu-DCNF[19]Caoetal.[27]PRN[1]DCRFN(Ours)N超參數(shù)尋優(yōu)alhyper-param參數(shù)的情況下一些經(jīng)典方法TMS數(shù)據(jù)集表2Dmparisonofdepod]])Fig.6Ex優(yōu)meterofDCRFN下，表2列出法定量比較的集上，本文方DCRFN模型與pthestimationrError(Lowrell0.3120.0.2300.0.2310.0.2290.0.2250.0.2100.0.1840.圖6NUSTMxamplesofpre紅外技InfraredTechN出了的結(jié)方法優(yōu)于法在通過獻(xiàn)[域關(guān)合的于方法計(jì)了征來任意出，場(chǎng)景樹木行人特征與其他經(jīng)典方法resultsbetweenwerisbetter)lg10rms0974.1240873.310933.3940813.2970833.2990873.2520752.984MS數(shù)據(jù)集下預(yù)dicteddepthm術(shù)nology于有監(jiān)督學(xué)習(xí)在誤差和正確過深度卷積網(wǎng)6]中通過手工關(guān)系，這使得的方法（文獻(xiàn)PGM的方法法，這主要由了兩個(gè)深度特來自簡(jiǎn)單的預(yù)意4個(gè)不同場(chǎng)針對(duì)可見光景的總體深度木的輪廓、第人等；而本文征網(wǎng)絡(luò)，因此法的深度估計(jì)結(jié)nDCRFNmodeAcc1.2548479240.6440.7160.7160.7310.7320.7410.789預(yù)測(cè)深度圖實(shí)例mapsonNUSTM習(xí)的方法。相確率兩個(gè)評(píng)估網(wǎng)絡(luò)獲得的一工提取的特征得它們表現(xiàn)弱獻(xiàn)[16,19,27]和法中，本文提由于本文針對(duì)特征模型，而預(yù)設(shè)先驗(yàn)。圖場(chǎng)景下的定性光設(shè)?

第20的型一僅5紅的C模件的D自夠物紅不標(biāo)低域42卷第6期020年6月最后，本的重要性。如型，僅成對(duì)模一元項(xiàng)和成對(duì)僅由一元模型圖8Fig.8Thedetrainin結(jié)論本文提出紅外圖像的深的應(yīng)用。現(xiàn)有NNs，由于忽模糊甚至錯(cuò)誤件下，將CNN的聯(lián)合優(yōu)化提DCRFN模型自主學(xué)習(xí)。同夠融合到DC物邊緣預(yù)測(cè)。紅外圖像和深不同尺度深度標(biāo)證明了本文在未來的低網(wǎng)絡(luò)的參數(shù)域?qū)嶋H應(yīng)用。本文分析證明如圖7所示，模型和總體輸對(duì)項(xiàng)來模擬標(biāo)型雖可以估計(jì)訓(xùn)練過程中Decompositionpg出一種新穎的深度信息，這有的紅外圖忽略了優(yōu)化結(jié)誤。本文在充Ns與CRF的提升了模型的型無需預(yù)先定同時(shí)深度的離RFN損失函除此之外，深度圖之間的度序列之間的文方法的可行的研究工作中數(shù)規(guī)模，以便除此之外，王倩倩明了成對(duì)項(xiàng)模本文分別輸輸出結(jié)果的對(duì)標(biāo)簽的聯(lián)合分計(jì)出的整體的FDCRFN分解表performanceof的DCRFN模這有助于推進(jìn)圖像深度估計(jì)結(jié)構(gòu)損失，造充分考慮紅外的優(yōu)勢(shì)結(jié)合在的泛化能力。值定義成對(duì)特征離散策略，使函數(shù)中，從而DCRFN不的關(guān)系，而且的關(guān)系。最后行性與準(zhǔn)確性中，將考慮采便模型能在夜考慮將紅外倩等：基于深度模型于整個(gè)模輸出了僅一元對(duì)比。通過定分布，可以看出的深度圖，添圖7DFig.7Thedec表現(xiàn)對(duì)比DCRFNduring模型來估計(jì)單進(jìn)夜間視覺產(chǎn)計(jì)方法雖基造成預(yù)測(cè)深度外圖像特點(diǎn)的在模型中，二值得注意的是征，可以實(shí)現(xiàn)使得有序約束而獲得更好的不僅建立了原且還構(gòu)造了場(chǎng)后，實(shí)驗(yàn)評(píng)估性。采

【參考文獻(xiàn)】：
期刊論文
[1]基于金字塔型殘差神經(jīng)網(wǎng)絡(luò)的紅外圖像深度估計(jì)[J]. 顧婷婷,趙海濤,孫韶媛.  紅外技術(shù). 2018(05)



本文編號(hào)：3283218