科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了解决现有单目图像深度信息恢复方法中参数量较多，预测结果存在部分深度信息丢失的问题，结合编-解码结构提出RG-ResNet网络模型。首先，提出相关联分组卷积替代分组卷积，弥补了分组卷积通道间信息不关联的缺陷；然后，基于相关联分组卷积进一步改进ResNet的残差结构，得到RG-ResNet残差模块；最后，利用改进的RG-ResNet残差模块堆叠进行特征提取形成网络模型的编码部分，利用反卷积加池化的上采样操作扩大图像分辨率以构建解码部分。在NYU Depth V2数据集上验证了模型的有效性与优越性，实验结果显示，该方法的预测结果均方根误差为0.459，平均相对误差为0.123，平均对数误差为0.055。同比于其他先进算法，所提方法获得了更高的准确率，并且能够较好地恢复图像细节的深度信息。
- 单位
