• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于紅外和可見(jiàn)光圖像逐級(jí)自適應(yīng)融合的場(chǎng)景深度估計(jì)

    2020-03-05 03:11:56李宇琦趙海濤
    應(yīng)用光學(xué) 2020年1期
    關(guān)鍵詞:深度特征融合

    李宇琦,趙海濤

    (華東理工大學(xué) 信息科學(xué)與工程學(xué)院,上海 200237)

    引言

    深度估計(jì)是計(jì)算機(jī)視覺(jué)研究領(lǐng)域中一個(gè)至關(guān)重要的問(wèn)題[1-4]。它主要研究如何從二維圖像中恢復(fù)場(chǎng)景的深度信息,這種深度信息有助于理解物體與周?chē)h(huán)境之間的幾何關(guān)系,在提升無(wú)人車(chē)駕駛安全性[2]和機(jī)器人[3]等方面有重要的應(yīng)用。

    目前對(duì)深度估計(jì)的研究大多數(shù)是以可見(jiàn)光圖像作為輸入。這些研究中,傳統(tǒng)方法通常需要提取手工特征[5-6]。隨著卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)的發(fā)展,越來(lái)越多基于CNN的深度估計(jì)方法[2,7-8]被提出。Eigen 等學(xué)者[7]提出了第一個(gè)基于CNN 的深度估計(jì)方法,該方法先對(duì)輸入圖像進(jìn)行深度圖的粗預(yù)測(cè),然后對(duì)粗預(yù)測(cè)進(jìn)一步精細(xì)化得到最終的深度圖。Li 等學(xué)者[8]提出了一個(gè)深度CNN 來(lái)獲得可見(jiàn)光圖像的深度圖,然后使用條件隨機(jī)場(chǎng)精細(xì)化深度圖。然而可見(jiàn)光圖像對(duì)光照的變化十分敏感,在光強(qiáng)很低的情況下很難提取出有效的特征。

    針對(duì)可見(jiàn)光圖像對(duì)場(chǎng)景中光照條件的限制,很多學(xué)者提出使用紅外圖像來(lái)進(jìn)行場(chǎng)景的深度估計(jì)[1,9-10]。Sun 等學(xué)者[9]提出了基于核主成分分析(kernel principal component analysis, KPCA)和全連接神經(jīng)網(wǎng)絡(luò)的方法,該方法首先使用KPCA 提取出適用于紅外圖像的非線(xiàn)性特征,然后利用該特征和真實(shí)深度標(biāo)簽訓(xùn)練神經(jīng)網(wǎng)絡(luò)。Xi 等學(xué)者[10]提出了基于多尺度和空間上下文的特征提取方法,然后通過(guò)獨(dú)立成分分析來(lái)選擇適合于深度估計(jì)任務(wù)的紅外特征,最后使用支持向量回歸來(lái)估計(jì)深度。由于紅外圖像缺乏紋理信息,對(duì)比度低,因此單獨(dú)使用紅外圖像作為輸入得到的深度圖邊緣不清晰,準(zhǔn)確率不高。

    通過(guò)以上分析可知,基于單一類(lèi)型傳感器進(jìn)行深度估計(jì)很難在任何光照下都得到理想的結(jié)果,因此很多圖像融合的方法被提出[11-12]。Prabhakar等學(xué)者[11]提出了利用CNN 融合兩種圖像的亮度通道,利用加權(quán)平均融合策略融合色度通道,最后將各個(gè)通道融合結(jié)果相加?,F(xiàn)有的圖像融合方法中大多是將兩種圖像特征等權(quán)重相加,沒(méi)有考慮不同類(lèi)型圖像對(duì)不同場(chǎng)景深度估計(jì)的不同貢獻(xiàn)。與此同時(shí),普遍認(rèn)為較深層的特征可提取全局上下文信息,而較淺層的特征可提取更多的空間細(xì)節(jié)信息,現(xiàn)有的圖像融合方法只在最后一層卷積后進(jìn)行融合,忽視了淺層卷積特征對(duì)深度估計(jì)的作用。

    針對(duì)以上問(wèn)題,本文提出了基于紅外和可見(jiàn)光圖像逐級(jí)自適應(yīng)融合的深度估計(jì)方法(progressively fusion convolution neural network of infrared and visible light images, PF-CNN),自適應(yīng)地融合不同卷積層下兩種圖像的特征,并逐級(jí)學(xué)習(xí)各層融合特征的結(jié)合以獲得具有更多細(xì)節(jié)信息的深度圖。該方法包含3 個(gè)部分,雙流濾波器部分耦合卷積神經(jīng)網(wǎng)絡(luò)(two-stream filter coupled network, TFCNet),自適應(yīng)多模態(tài)特征融合網(wǎng)絡(luò)(adaptive multi-model feature fusion network, AMFNet)和自適應(yīng)逐級(jí)特征融合網(wǎng)絡(luò)(adaptive progressively feature fusion network,APFNet)。受文獻(xiàn)[13]啟發(fā),濾波器在TFCNet 中部分耦合以學(xué)習(xí)紅外和可見(jiàn)光圖像之間的非線(xiàn)性轉(zhuǎn)換,使兩者特征進(jìn)一步增強(qiáng)。AMFNet 中利用殘差密集塊提取兩種圖像的殘差特征[14],同時(shí)設(shè)計(jì)自適應(yīng)加權(quán)融合的方法將不同卷積層中兩種圖像的特征進(jìn)行融合,充分考慮了兩種圖像對(duì)場(chǎng)景深度估計(jì)時(shí)的不同貢獻(xiàn)。APFNet 利用自適應(yīng)加權(quán)融合方法學(xué)習(xí)多級(jí)融合特征,充分考慮到不同卷積層的特征對(duì)深度估計(jì)的不同作用。

    1 網(wǎng)絡(luò)結(jié)構(gòu)

    下面介紹基于紅外和可見(jiàn)光圖像逐級(jí)融合的深度估計(jì)方法,該方法的網(wǎng)絡(luò)示意圖如圖1 所示。

    圖1 網(wǎng)絡(luò)結(jié)構(gòu)圖(PF-CNN)Fig.1 Structure diagram of network (PF-CNN)

    1.1 雙流濾波器部分耦合卷積神經(jīng)網(wǎng)絡(luò)

    如前所述,單一類(lèi)型的圖像包含的信息不充分,導(dǎo)致估計(jì)的深度圖不精確,因此本文提出的PF-CNN 采用將紅外和可見(jiàn)光圖像同時(shí)作為輸入的雙流卷積神經(jīng)網(wǎng)絡(luò)。由于每一對(duì)紅外和可見(jiàn)光圖像表示同一場(chǎng)景的不同類(lèi)型圖像,所以?xún)烧咧g存在相關(guān)性。Wang 等學(xué)者[13]認(rèn)為有一定相關(guān)性的兩種特征可以通過(guò)濾波器耦合來(lái)相互表示和轉(zhuǎn)換。然而,即使經(jīng)過(guò)十分復(fù)雜的操作,也不是所有的紅外和可見(jiàn)光圖像的特征都可以相互轉(zhuǎn)換。

    基于以上分析,本文設(shè)計(jì)了雙流濾波器部分耦合卷積神經(jīng)網(wǎng)絡(luò)(TFCNet),如圖1 紅色虛線(xiàn)框中所示,每一束卷積流都采用AlexNet 作為基礎(chǔ)網(wǎng)絡(luò)框架。在TFCNet 中,紅外圖像和其對(duì)應(yīng)的可見(jiàn)光圖像分別作為輸入,不同于傳統(tǒng)的雙流CNN,TFCNet在每一層卷積中都將兩種圖像的濾波器部分耦合。如圖1 所示,濾波器分為3 個(gè)部分:綠色部分為提取紅外特征的濾波器,紅色部分為提取可見(jiàn)光特征的濾波器,黃色部分為兩者部分耦合的濾波器。耦合的濾波器既要提取紅外圖像的特征,也要提取可見(jiàn)光圖像的特征。通過(guò)濾波器部分耦合的方式可以將紅外和可見(jiàn)光圖像視為彼此的“輔助變量”。紅外圖像可以幫助可見(jiàn)光圖像捕捉到在光線(xiàn)較暗情況下難以提取到的有辨別力的特征,可見(jiàn)光圖像可以幫助紅外圖像中提取到更多細(xì)節(jié)信息。非耦合濾波器學(xué)習(xí)兩種圖像各自的特征。各層中耦合濾波器的數(shù)量與濾波器總數(shù)的比值被稱(chēng)為耦合率:

    式中:Ki為第i層的耦合率;ni是第i層耦合濾波器的數(shù)量;totali為第i層濾波器的總數(shù)。耦合率都采用網(wǎng)格搜索法來(lái)設(shè)定,從最后一層卷積開(kāi)始設(shè)置耦合率逐漸以0.25 的步長(zhǎng)增大,以均方根誤差作為評(píng)價(jià)指標(biāo),若均方根誤差下降,則耦合率繼續(xù)增大,若均方根誤差上升,則返回至原來(lái)的狀態(tài)并增大前一層的耦合率,以此方式依次進(jìn)行?;诒疚牡木W(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)集耦合率依次為0,0.25,0.5,0.75。可以看出耦合率逐漸增大,這是因?yàn)樵谳^淺層的紋理等細(xì)節(jié)特征上紅外和可見(jiàn)光圖像有較大的差異,較深的結(jié)構(gòu)和輪廓等特征上紅外和可見(jiàn)光圖像有較大的相似性,容易學(xué)習(xí)兩者的可轉(zhuǎn)換特征。

    在TFCNet 中,采用反向傳播算法更新濾波器的參數(shù)。非耦合的濾波器參數(shù)在每次訓(xùn)練過(guò)程中迭代1 次,耦合的濾波器參數(shù)迭代2 次。因此,假設(shè)在參數(shù)更新過(guò)程中,先更新紅外卷積流的參數(shù),再更新可見(jiàn)光卷積流的參數(shù)。參數(shù)α更新如下:

    式中:n是迭代次數(shù);μ為學(xué)習(xí)率;L為損失函數(shù)。耦合濾波器的權(quán)重更新過(guò)程如下:

    濾波器耦合的設(shè)計(jì)利用兩者優(yōu)勢(shì),彌補(bǔ)了可見(jiàn)光圖像對(duì)光線(xiàn)敏感以及紅外圖像紋理缺失的不足。

    1.2 融合網(wǎng)絡(luò)

    為了充分利用兩種圖像特征的互補(bǔ)信息,本文設(shè)計(jì)了一種自適應(yīng)融合策略來(lái)融合多種特征。同時(shí),大多數(shù)網(wǎng)絡(luò)各個(gè)卷積層提取的特征一般用來(lái)參與后一層卷積的特征生成,并沒(méi)有直接參與最終的深度估計(jì),導(dǎo)致預(yù)測(cè)結(jié)果細(xì)節(jié)缺失。針對(duì)以上分析,本文的融合網(wǎng)絡(luò)包含2 個(gè)部分,分別為自適應(yīng)多模態(tài)特征融合網(wǎng)絡(luò)(adaptive multi-model feature fusion network, AMFNet)和自適應(yīng)逐級(jí)特征融合網(wǎng)絡(luò)(adaptive progressively feature fusion network,APFNet)。

    1.2.1 自適應(yīng)多模態(tài)特征融合網(wǎng)絡(luò)

    考慮到紅外和可見(jiàn)光圖像的特征在不同場(chǎng)景對(duì)不同目標(biāo)進(jìn)行深度估計(jì)時(shí)所起的作用不同,本文設(shè)計(jì)了自適應(yīng)多模態(tài)特征融合網(wǎng)絡(luò)(AMFNet)。

    AMFNet 網(wǎng)絡(luò)的具體形式如圖2 所示,主要由殘差密集塊(residual dense blocks, RDB)和自適應(yīng)加權(quán)融合組成。通過(guò)TFCNet 得到紅外和可見(jiàn)光圖像的特征,將兩種特征均進(jìn)行一個(gè)1×1 的卷積,對(duì)每一個(gè)特征降低維度,避免出現(xiàn)參數(shù)爆炸問(wèn)題。然后將每個(gè)特征通過(guò)m個(gè)RDB,如圖2 中紅色虛線(xiàn)框所示。RDB 允許將每一層的輸出與當(dāng)前塊中后續(xù)所有層直接相連,也允許將前一個(gè)RDB的輸出與當(dāng)前塊中的每一層連接,則第s個(gè)RDB中第i層的輸入如下:

    式中:s表示第s個(gè)RDB;i表示當(dāng)前RDB 中第i層。如果每個(gè)RDB 最終輸出N0個(gè)特征,且每一層輸出N個(gè)特征,則第i-1 層的輸出可以得到N0+(i-1)N個(gè)特征,本文令m=2,N=N0=32。相較于傳統(tǒng)的CNN,RDB 可以充分利用原始特征的所有分層特征,使得各層之間的信息最大化,使邊緣等細(xì)節(jié)信息增強(qiáng)。隨后進(jìn)行一個(gè)3×3 卷積,該操作對(duì)特征進(jìn)行適當(dāng)?shù)目s放起到關(guān)鍵的作用。

    圖2 自適應(yīng)多模態(tài)特征融合網(wǎng)絡(luò)(AMFNet)Fig.2 Adaptive multi-model feature fusion network (AMFNet)

    令fhw∈Rb×w×h×c和fkj∈Rb×w×h×c分別表示從兩種模態(tài)最終提取出來(lái)的紅外和可見(jiàn)光特征。由于紅外和可見(jiàn)光圖像的特征不同,本文設(shè)計(jì)了自適應(yīng)加權(quán)融合策略,如圖2 中綠色虛線(xiàn)框所示。首先,將兩種特征在第三維度上連接,此時(shí)通道數(shù)為2c。其次,為了獲得與兩種特征相同維度的系數(shù),矩陣引入了1×1 卷積,該操作學(xué)習(xí)兩種特征之間的相關(guān)性并得到了系數(shù)矩陣M。最后,通過(guò)Sigmoid層使M中的每個(gè)元素轉(zhuǎn)換為0~1 之間的概率形式,即為最終的系數(shù)矩陣G,令紅外圖像特征的系數(shù)矩陣Ghw=G,則可見(jiàn)光圖像特征的系數(shù)矩陣Gkj=1-G,兩者分別表示了紅外和可見(jiàn)光特征對(duì)深度估計(jì)任務(wù)的貢獻(xiàn)程度。即:

    式中⊙表示點(diǎn)積。自適應(yīng)加權(quán)融合策略決定了可以依賴(lài)紅外或可見(jiàn)光圖像的特征來(lái)進(jìn)行深度估計(jì)的程度。

    由于較淺層的卷積中提取到更多的細(xì)節(jié)信息,較深層的卷積提取到更多的輪廓等特征,若只利用最后一層的融合特征,則會(huì)忽略淺層信息,導(dǎo)致估計(jì)出的深度圖細(xì)節(jié)缺失。因此本文希望各層雙流卷積特征均通過(guò)AMFNet 進(jìn)行融合,充分利用各層的特征??紤]到第一層卷積太淺,特征無(wú)法進(jìn)行可靠的預(yù)測(cè),所以本文所設(shè)計(jì)的網(wǎng)絡(luò)不會(huì)對(duì)第一層卷積特征進(jìn)行融合。

    1.2.2 自適應(yīng)逐級(jí)特征融合網(wǎng)絡(luò)

    為了學(xué)習(xí)各層的融合特征,充分利用深層特征和淺層特征,讓各層級(jí)的特征直接參與最終的深度估計(jì),本文設(shè)計(jì)了APFNet,自適應(yīng)地學(xué)習(xí)不同層融合特征的結(jié)合,如圖3 所示。

    圖3 自適應(yīng)逐級(jí)特征融合網(wǎng)絡(luò)(APFNet)Fig.3 Adaptive progressive feature fusion network(APFNet)

    APFNet 中采用與AMFNet 中相同的自適應(yīng)加權(quán)融合策略來(lái)融合不同卷積層的融合特征。首先對(duì)最后2 層的融合特征進(jìn)行自適應(yīng)加權(quán)融合,得到分辨率與第2 層卷積相同的融合特征,然后將該融合特征同第2 層融合特征進(jìn)行自適應(yīng)加權(quán)融合,得到最終的紅外與可見(jiàn)光融合特征。但是該策略在這兩個(gè)部分所起的作用截然不同。在APFNet 中,自適應(yīng)加權(quán)策略是通過(guò)網(wǎng)絡(luò)自適應(yīng)地學(xué)習(xí)細(xì)節(jié)特征和輪廓特征對(duì)深度估計(jì)任務(wù)的不同貢獻(xiàn),在AMFNet 中自適應(yīng)加權(quán)融合策略,衡量可以依賴(lài)紅外和可見(jiàn)光圖像進(jìn)行深度估計(jì)的程度。隨后3×3 卷積自適應(yīng)地學(xué)習(xí)全部特征,我們?cè)O(shè)計(jì)了上采樣層,輸出分辨率為256×512 像素的深度圖。

    1.3 網(wǎng)絡(luò)訓(xùn)練

    本文使用Tensorflow 深度學(xué)習(xí)框架,參數(shù)采用截?cái)嗾龖B(tài)分布進(jìn)行初始化。學(xué)習(xí)率初始化為1e-4,每迭代20 000 次以0.9 的因子進(jìn)行衰減,共迭代80 000 次。將交叉熵作為損失函數(shù),利用Adam 優(yōu)化器最小化損失函數(shù):

    式中:L為損失函數(shù);ypredictedi為真實(shí)預(yù)測(cè)值;yi為期望預(yù)測(cè)值。

    實(shí)驗(yàn)數(shù)據(jù)集NUST-SR 由無(wú)人車(chē)在白天和夜間采集的真實(shí)道路場(chǎng)景組成,采集設(shè)備如圖4 所示。原始圖像由分辨率為768×576 像素的紅外和可見(jiàn)光圖像及其深度值所組成,并利用NYUDepth 開(kāi)發(fā)工具中Levin 等人[7]的方案對(duì)沒(méi)有深度值的點(diǎn)進(jìn)行補(bǔ)點(diǎn)。此外,本文使用分類(lèi)方法進(jìn)行深度估計(jì),將真實(shí)深度圖在對(duì)數(shù)空間劃分為32 個(gè)類(lèi),該分類(lèi)方法可以使近處的場(chǎng)景準(zhǔn)確度較高,遠(yuǎn)處的場(chǎng)景準(zhǔn)確度較低。最后將紅外圖像、可見(jiàn)光圖像以及深度圖剪裁為分辨率256×512 像素的圖像,最終訓(xùn)練集3 000 張,測(cè)試集1 000 張。

    圖4 采集圖像設(shè)備Fig.4 Device of image acquisition

    2 實(shí)驗(yàn)及結(jié)果

    介紹了評(píng)估實(shí)驗(yàn)結(jié)果所用的評(píng)價(jià)指標(biāo),然后對(duì)PF-CNN 進(jìn)行全面分析,證明該方法中濾波器部分耦合、自適應(yīng)加權(quán)融合方法以及逐級(jí)融合的有效性,通過(guò)對(duì)比不同深度估計(jì)方法[1,7,15-21]得到的深度圖以及不同方法的參數(shù)內(nèi)存,發(fā)現(xiàn)PF-CNN 在本文數(shù)據(jù)集上得到了最好的表現(xiàn)。

    2.1 評(píng)價(jià)指標(biāo)

    為了在測(cè)試集上定量地證明基于紅外和可見(jiàn)光圖像逐級(jí)自適應(yīng)融合的深度估計(jì)方法的性能,本文引入在深度估計(jì)領(lǐng)域中通用的評(píng)價(jià)指標(biāo),如下所示:

    式中:pgti表示真實(shí)深度;pi表示預(yù)測(cè)深度;t表示像素總數(shù)。RMSE、Rel 和log10誤差用來(lái)度量預(yù)測(cè)深度和真實(shí)深度之間的差異,值越小越好。閾值準(zhǔn)確度用來(lái)度量預(yù)測(cè)深度和對(duì)應(yīng)真實(shí)深度之間的相似度,值越大越好。

    2.2 濾波器部分耦合效果

    在雙流卷積網(wǎng)絡(luò)[11-12]中,紅外和可見(jiàn)光圖像的卷積核相互獨(dú)立,紅外和可見(jiàn)光圖像的特征相互沒(méi)有影響。但是在本文TFCNet 中采用了濾波器部分耦合的方式,使提取到的特征進(jìn)一步增強(qiáng)。

    將兩者濾波器部分耦合和不耦合得到的深度圖進(jìn)行對(duì)比,結(jié)果如圖5 所示。從圖5 可以看出,將濾波器部分耦合后得到的深度圖更接近真實(shí)深度,物體輪廓更加清晰,說(shuō)明兩種圖像提取的特征通過(guò)濾波器部分耦合得到了增強(qiáng)。從上述4 個(gè)測(cè)試圖像中隨機(jī)選取100 個(gè)像素的分類(lèi)結(jié)果如圖6所示,將其與該像素點(diǎn)的真實(shí)類(lèi)別比較,可以看到使用濾波器部分耦合方法后的預(yù)測(cè)分類(lèi)結(jié)果更接近真實(shí)深度分類(lèi)。

    圖5 紅外和可見(jiàn)光圖像的濾波器是否耦合得到的深度圖對(duì)比Fig.5 Comparison of depth diagram whether filters coupled of IR/visual light

    圖6 4 個(gè)場(chǎng)景中濾波器是否耦合的分類(lèi)結(jié)果比較Fig.6 Comparison of classification whether filters coupled in 4 scenes

    2.3 紅外和可見(jiàn)光圖像融合的效果

    為了證明基于紅外和可見(jiàn)光圖像逐級(jí)融合的方法相較于單獨(dú)使用紅外或可見(jiàn)光圖像進(jìn)行深度估計(jì)的優(yōu)勢(shì),將PF-CNN 與單獨(dú)使用紅外和可見(jiàn)光圖像估計(jì)深度以及只在最后一層卷積處融合兩種圖像特征估計(jì)深度進(jìn)行對(duì)比,4 個(gè)指標(biāo)的比較結(jié)果見(jiàn)表1 所示??梢钥闯觯诩t外和可見(jiàn)光圖像的特征逐級(jí)融合的方法在RMSE、Rel 和log10誤差指標(biāo)上數(shù)值最小,在閾值指標(biāo)上,結(jié)果恰好相反。

    表1 PF-CNN 與單獨(dú)使用紅外或可見(jiàn)光以及只在最后一層融合的4 個(gè)指標(biāo)對(duì)比Table 1 Comparison of four indicators when using PF-CNN , using infrared or visible light only and fusing at last layer only

    L1 范數(shù)融合、相加融合、加權(quán)融合和連接融合是兩種圖像進(jìn)行融合經(jīng)常用到的方法。本文將這些方法同自適應(yīng)加權(quán)融合方法相比較,如圖7 所示。通過(guò)比較可以看出,基于自適應(yīng)加權(quán)融合方法預(yù)測(cè)的深度圖在不同對(duì)象的邊緣和細(xì)節(jié)方面具有相當(dāng)大的優(yōu)勢(shì)。

    2.4 相關(guān)深度估計(jì)方法的比較

    圖7 不同融合方法比較Fig.7 Comparison of different fusion methods

    圖8 不同深度估計(jì)方法的深度圖對(duì)比Fig.8 Comparison of depth diagrams by different depth estimation methods

    本文PF-CNN 得到的深度圖同其他經(jīng)典方法得到的深度圖進(jìn)行對(duì)比,如圖8 所示。從圖8 可以看出,不論是圖像中的樹(shù)還是行人,本文方法都有更清晰的輪廓。通過(guò)融合紅外和可見(jiàn)光圖像的信息,PF-CNN 可以增加紅外圖像的細(xì)節(jié)信息,減少可見(jiàn)光圖像的冗余信息,同時(shí),AMFNet 中的殘差密集塊可以增強(qiáng)融合特征并恢復(fù)細(xì)節(jié)信息。

    為了說(shuō)明PF-CNN 的性能優(yōu)勢(shì),將上述4 種評(píng)價(jià)指標(biāo)進(jìn)行比較,如表2 所示??梢钥闯鯬F-CNN在各項(xiàng)指標(biāo)上都得到了最好的表現(xiàn),特別是閾值指標(biāo)提高了5%。表3 為各種方法的參數(shù)內(nèi)存比較,可以看出PF-CNN 比Eigen 等學(xué)者[11]的多尺度方法少了6.1 M,這是因?yàn)榧t外和可見(jiàn)光圖像的濾波器耦合大大減少了參數(shù)的數(shù)量,說(shuō)明本文方法在參數(shù)較少的情況下達(dá)到了最好的效果。

    3 結(jié)論

    為了解決單一類(lèi)型圖像在深度估計(jì)中受場(chǎng)景不同光照的限制問(wèn)題,同時(shí)使紅外和可見(jiàn)光圖像在不同場(chǎng)景下對(duì)深度估計(jì)起不同的貢獻(xiàn),本文提出了基于紅外和可見(jiàn)光圖像逐級(jí)融合的PF-CNN網(wǎng)絡(luò),它將紅外和可見(jiàn)光圖像的濾波器部分耦合,進(jìn)一步增強(qiáng)兩者的特征,并將除第一層外的紅外和可見(jiàn)光特征進(jìn)行自適應(yīng)加權(quán)融合,解決了在不同光照條件下不能準(zhǔn)確估計(jì)深度的問(wèn)題。同時(shí)PF-CNN 將各層的融合特征進(jìn)一步逐級(jí)自適應(yīng)融合,使不同卷積層的特征對(duì)深度估計(jì)做出不同的貢獻(xiàn)。

    未來(lái)將在不同的數(shù)據(jù)集上驗(yàn)證PF-CNN 的效果,并在此基礎(chǔ)上進(jìn)一步改進(jìn)深度估計(jì)網(wǎng)絡(luò)架構(gòu)。將嘗試采用遞歸神經(jīng)網(wǎng)絡(luò)來(lái)處理圖像序列的不同幀之間的相關(guān)信息。

    表2 不同深度估計(jì)方法的指標(biāo)對(duì)比Table 2 Comparison of indicators by different depth estimation methods

    表3 各種方法參數(shù)內(nèi)存比較Table 3 Comparison of parameters memory by different methods

    猜你喜歡
    深度特征融合
    村企黨建聯(lián)建融合共贏
    融合菜
    從創(chuàng)新出發(fā),與高考數(shù)列相遇、融合
    深度理解一元一次方程
    《融合》
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    深度觀察
    深度觀察
    深度觀察
    久久香蕉国产精品| 精品久久久久久久人妻蜜臀av| 精品久久久久久久人妻蜜臀av| 欧美精品亚洲一区二区| av中文乱码字幕在线| 欧美黑人精品巨大| 女性生殖器流出的白浆| 制服丝袜大香蕉在线| 国产色视频综合| e午夜精品久久久久久久| 最近在线观看免费完整版| 免费av毛片视频| 一区福利在线观看| 美女大奶头视频| 日韩欧美 国产精品| 婷婷精品国产亚洲av| 欧美乱色亚洲激情| 看片在线看免费视频| 九色国产91popny在线| 午夜福利成人在线免费观看| 免费在线观看亚洲国产| 久久性视频一级片| 国产高清有码在线观看视频 | 看免费av毛片| 校园春色视频在线观看| 国产成人啪精品午夜网站| 国产亚洲精品av在线| 国产黄片美女视频| 久久国产精品男人的天堂亚洲| 极品教师在线免费播放| 中出人妻视频一区二区| 日韩国内少妇激情av| 久久婷婷成人综合色麻豆| 国产精品香港三级国产av潘金莲| 哪里可以看免费的av片| 久久精品成人免费网站| 国产av一区在线观看免费| 一级毛片高清免费大全| 亚洲一区二区三区色噜噜| 日韩 欧美 亚洲 中文字幕| 天堂√8在线中文| 男女视频在线观看网站免费 | 欧美色视频一区免费| 亚洲av电影不卡..在线观看| 搡老熟女国产l中国老女人| 两性午夜刺激爽爽歪歪视频在线观看 | 窝窝影院91人妻| 国产视频一区二区在线看| 国产三级在线视频| a级毛片a级免费在线| 国产亚洲av嫩草精品影院| 国产区一区二久久| 9191精品国产免费久久| 亚洲三区欧美一区| 韩国精品一区二区三区| 国产精品九九99| www.www免费av| 人妻久久中文字幕网| 91九色精品人成在线观看| 一区二区三区高清视频在线| 亚洲久久久国产精品| 国产高清有码在线观看视频 | 免费搜索国产男女视频| 久久久久国产一级毛片高清牌| 亚洲av中文字字幕乱码综合 | 中亚洲国语对白在线视频| xxxwww97欧美| 午夜日韩欧美国产| 亚洲电影在线观看av| 男女做爰动态图高潮gif福利片| 免费女性裸体啪啪无遮挡网站| 黄色片一级片一级黄色片| 人人澡人人妻人| 国产精品99久久99久久久不卡| 波多野结衣av一区二区av| 女生性感内裤真人,穿戴方法视频| 国产亚洲av嫩草精品影院| 我的亚洲天堂| 人人妻,人人澡人人爽秒播| 国产欧美日韩精品亚洲av| 亚洲七黄色美女视频| 热99re8久久精品国产| 久久青草综合色| 亚洲第一电影网av| 成人永久免费在线观看视频| 嫩草影视91久久| 亚洲久久久国产精品| 久久精品91无色码中文字幕| 非洲黑人性xxxx精品又粗又长| 日本一本二区三区精品| 女同久久另类99精品国产91| 国产又爽黄色视频| 一夜夜www| 在线看三级毛片| 国产激情欧美一区二区| 欧美一区二区精品小视频在线| 国产一卡二卡三卡精品| 成人手机av| 国内久久婷婷六月综合欲色啪| 国产精品乱码一区二三区的特点| 国产又爽黄色视频| 搡老妇女老女人老熟妇| 精品日产1卡2卡| 搡老熟女国产l中国老女人| 成人av一区二区三区在线看| 亚洲av成人av| 久久午夜亚洲精品久久| 免费观看精品视频网站| 日韩免费av在线播放| 美女高潮喷水抽搐中文字幕| 欧美乱妇无乱码| 色av中文字幕| 岛国在线观看网站| 欧美在线黄色| 免费搜索国产男女视频| 天堂影院成人在线观看| 亚洲中文字幕一区二区三区有码在线看 | 在线av久久热| 欧美日韩瑟瑟在线播放| 欧美黑人精品巨大| 精品久久久久久久末码| 久久伊人香网站| 婷婷亚洲欧美| 午夜免费观看网址| 后天国语完整版免费观看| 亚洲精品av麻豆狂野| 国产成人欧美| 琪琪午夜伦伦电影理论片6080| 亚洲色图 男人天堂 中文字幕| 国产区一区二久久| 少妇熟女aⅴ在线视频| 啦啦啦免费观看视频1| 国产精品av久久久久免费| 一级片免费观看大全| 欧美成人免费av一区二区三区| 99国产精品一区二区三区| 日韩成人在线观看一区二区三区| 久久中文字幕人妻熟女| 国产成人精品久久二区二区91| 高清毛片免费观看视频网站| www国产在线视频色| 精品久久久久久久人妻蜜臀av| 少妇粗大呻吟视频| 欧美日韩中文字幕国产精品一区二区三区| x7x7x7水蜜桃| 欧美性长视频在线观看| 亚洲成人精品中文字幕电影| 亚洲精品中文字幕一二三四区| 狂野欧美激情性xxxx| 久久精品亚洲精品国产色婷小说| 日韩成人在线观看一区二区三区| 老鸭窝网址在线观看| 久久久国产成人免费| 69av精品久久久久久| 午夜免费成人在线视频| 精品久久久久久,| 欧美日韩中文字幕国产精品一区二区三区| 黄片大片在线免费观看| 成年免费大片在线观看| 一区二区三区国产精品乱码| 国语自产精品视频在线第100页| 日韩精品青青久久久久久| 国产欧美日韩精品亚洲av| 视频在线观看一区二区三区| 99热6这里只有精品| 日本一本二区三区精品| 亚洲中文日韩欧美视频| 男女那种视频在线观看| 天天一区二区日本电影三级| 亚洲三区欧美一区| 美女大奶头视频| АⅤ资源中文在线天堂| 国产伦人伦偷精品视频| 麻豆成人午夜福利视频| 中出人妻视频一区二区| 在线国产一区二区在线| 亚洲精品在线美女| 丰满的人妻完整版| 91av网站免费观看| 91国产中文字幕| 亚洲男人的天堂狠狠| 久久久久免费精品人妻一区二区 | 日韩中文字幕欧美一区二区| 久久狼人影院| 身体一侧抽搐| 黄色 视频免费看| 18禁国产床啪视频网站| 99在线视频只有这里精品首页| 国内精品久久久久精免费| 大型黄色视频在线免费观看| 成人午夜高清在线视频 | 男人舔奶头视频| 免费看美女性在线毛片视频| 久久伊人香网站| 成人特级黄色片久久久久久久| 99精品欧美一区二区三区四区| 国产欧美日韩一区二区精品| 波多野结衣巨乳人妻| 久久欧美精品欧美久久欧美| 最近最新中文字幕大全免费视频| 色尼玛亚洲综合影院| 日韩中文字幕欧美一区二区| 90打野战视频偷拍视频| 欧美日韩亚洲国产一区二区在线观看| 国产亚洲av高清不卡| 岛国视频午夜一区免费看| 后天国语完整版免费观看| 国产精品电影一区二区三区| 18禁黄网站禁片免费观看直播| 高清毛片免费观看视频网站| 人人澡人人妻人| 动漫黄色视频在线观看| 女生性感内裤真人,穿戴方法视频| 免费在线观看成人毛片| 侵犯人妻中文字幕一二三四区| 亚洲男人天堂网一区| 精品熟女少妇八av免费久了| 99国产精品99久久久久| 色在线成人网| 99riav亚洲国产免费| 啦啦啦观看免费观看视频高清| 大型黄色视频在线免费观看| 男女视频在线观看网站免费 | 日本三级黄在线观看| 国产精品一区二区精品视频观看| 亚洲中文av在线| 两人在一起打扑克的视频| 国产精品国产高清国产av| 91麻豆精品激情在线观看国产| a级毛片在线看网站| 久久草成人影院| 亚洲五月天丁香| 久久这里只有精品19| 亚洲av中文字字幕乱码综合 | 国产人伦9x9x在线观看| 婷婷亚洲欧美| 一进一出抽搐gif免费好疼| www.999成人在线观看| 久久天躁狠狠躁夜夜2o2o| 给我免费播放毛片高清在线观看| 欧美另类亚洲清纯唯美| 99久久99久久久精品蜜桃| 国产精品乱码一区二三区的特点| 日韩精品青青久久久久久| 国产91精品成人一区二区三区| 少妇裸体淫交视频免费看高清 | avwww免费| 久久人妻福利社区极品人妻图片| a在线观看视频网站| 中出人妻视频一区二区| 欧美日本视频| 好男人电影高清在线观看| 亚洲第一青青草原| 亚洲国产欧美一区二区综合| 国产成人欧美在线观看| 人人妻人人看人人澡| ponron亚洲| 久久久水蜜桃国产精品网| 亚洲一卡2卡3卡4卡5卡精品中文| 99久久综合精品五月天人人| 精品卡一卡二卡四卡免费| 日本免费一区二区三区高清不卡| 巨乳人妻的诱惑在线观看| 中文字幕另类日韩欧美亚洲嫩草| 中文字幕人妻熟女乱码| bbb黄色大片| 91老司机精品| 精品国产超薄肉色丝袜足j| 男人舔女人下体高潮全视频| 一夜夜www| 国产日本99.免费观看| 91大片在线观看| 无限看片的www在线观看| 97碰自拍视频| 欧美激情极品国产一区二区三区| 久久性视频一级片| 熟女少妇亚洲综合色aaa.| 欧美激情久久久久久爽电影| 天天躁狠狠躁夜夜躁狠狠躁| 国产精品日韩av在线免费观看| 好男人在线观看高清免费视频 | 每晚都被弄得嗷嗷叫到高潮| 精品国产一区二区三区四区第35| 日韩欧美免费精品| 最新在线观看一区二区三区| 久久国产精品人妻蜜桃| 不卡一级毛片| 一个人观看的视频www高清免费观看 | av电影中文网址| 色在线成人网| 一个人免费在线观看的高清视频| 国产极品粉嫩免费观看在线| 精品国产乱子伦一区二区三区| 国产精品乱码一区二三区的特点| 老熟妇仑乱视频hdxx| 国产91精品成人一区二区三区| 欧美黑人巨大hd| 亚洲av电影不卡..在线观看| 午夜免费鲁丝| 在线观看舔阴道视频| 国产精品免费视频内射| 男人舔女人的私密视频| 美女免费视频网站| 日本在线视频免费播放| 国产黄片美女视频| 午夜影院日韩av| 日韩欧美免费精品| 欧美日韩亚洲国产一区二区在线观看| 熟妇人妻久久中文字幕3abv| 国产精品久久久av美女十八| videosex国产| 嫁个100分男人电影在线观看| 国产aⅴ精品一区二区三区波| 国产精品1区2区在线观看.| 亚洲国产看品久久| 丁香欧美五月| 一区二区三区激情视频| 少妇被粗大的猛进出69影院| 啪啪无遮挡十八禁网站| 亚洲av片天天在线观看| 亚洲一区二区三区不卡视频| 男女午夜视频在线观看| 90打野战视频偷拍视频| 中文字幕久久专区| 十八禁网站免费在线| 国产精品 欧美亚洲| 亚洲精品一区av在线观看| 别揉我奶头~嗯~啊~动态视频| 一区二区三区激情视频| 日韩大码丰满熟妇| 侵犯人妻中文字幕一二三四区| 最近最新中文字幕大全免费视频| 不卡av一区二区三区| 久久中文字幕人妻熟女| 又黄又粗又硬又大视频| 精品国产乱码久久久久久男人| 一级毛片高清免费大全| 国产精品,欧美在线| 亚洲色图 男人天堂 中文字幕| 在线国产一区二区在线| 丰满的人妻完整版| 国产av一区在线观看免费| 日韩 欧美 亚洲 中文字幕| 国产成人欧美在线观看| 亚洲国产精品sss在线观看| 亚洲欧美激情综合另类| 国产男靠女视频免费网站| 人人妻人人澡人人看| 悠悠久久av| 午夜福利视频1000在线观看| 欧美三级亚洲精品| www.www免费av| 国产精品99久久99久久久不卡| 日本a在线网址| 国产精品野战在线观看| 国产一区在线观看成人免费| 黄片大片在线免费观看| 久久久久国产精品人妻aⅴ院| 一二三四社区在线视频社区8| 成年免费大片在线观看| 少妇熟女aⅴ在线视频| 男女床上黄色一级片免费看| 99riav亚洲国产免费| 成年女人毛片免费观看观看9| 亚洲国产精品合色在线| 中文字幕人成人乱码亚洲影| 露出奶头的视频| 成人18禁在线播放| 嫩草影视91久久| 99久久无色码亚洲精品果冻| 日日爽夜夜爽网站| 中文字幕人成人乱码亚洲影| 一区二区三区精品91| 国产伦一二天堂av在线观看| 久久中文看片网| 欧美黄色淫秽网站| 亚洲精品国产区一区二| 一夜夜www| 精品国产乱子伦一区二区三区| 久久精品国产清高在天天线| 91大片在线观看| 国产91精品成人一区二区三区| 精品久久久久久久久久久久久 | 久久久久久久精品吃奶| 国语自产精品视频在线第100页| 国产成人精品无人区| 色婷婷久久久亚洲欧美| 69av精品久久久久久| 国产乱人伦免费视频| 人成视频在线观看免费观看| 一二三四在线观看免费中文在| 久久亚洲真实| 国产亚洲av高清不卡| 亚洲精品久久国产高清桃花| 夜夜看夜夜爽夜夜摸| 成年人黄色毛片网站| 国产成人欧美| 国产成人av教育| 自线自在国产av| 18禁黄网站禁片午夜丰满| 天天躁夜夜躁狠狠躁躁| 国产亚洲欧美98| 亚洲自拍偷在线| 成年免费大片在线观看| 搡老岳熟女国产| 成人三级做爰电影| 一区福利在线观看| 最新美女视频免费是黄的| 亚洲久久久国产精品| 人妻丰满熟妇av一区二区三区| 亚洲av成人av| 日日夜夜操网爽| 久久精品影院6| 麻豆一二三区av精品| 欧美性猛交黑人性爽| 国产亚洲精品av在线| 免费看美女性在线毛片视频| 日韩精品中文字幕看吧| 18美女黄网站色大片免费观看| 国产视频一区二区在线看| 一本一本综合久久| ponron亚洲| 久久这里只有精品19| 村上凉子中文字幕在线| 精品午夜福利视频在线观看一区| 他把我摸到了高潮在线观看| 脱女人内裤的视频| 欧美性猛交╳xxx乱大交人| 丁香六月欧美| 在线免费观看的www视频| 给我免费播放毛片高清在线观看| 中出人妻视频一区二区| 757午夜福利合集在线观看| 久久中文字幕一级| 欧美黑人巨大hd| 国内久久婷婷六月综合欲色啪| 久久国产乱子伦精品免费另类| 国产麻豆成人av免费视频| 国内少妇人妻偷人精品xxx网站 | 欧美激情久久久久久爽电影| 久久久久久久午夜电影| 日本在线视频免费播放| 久久久久亚洲av毛片大全| 久9热在线精品视频| 欧美 亚洲 国产 日韩一| 久久久久久国产a免费观看| www.熟女人妻精品国产| 国产一区在线观看成人免费| 国产97色在线日韩免费| 少妇粗大呻吟视频| 成人手机av| 日本黄色视频三级网站网址| a级毛片在线看网站| 亚洲av五月六月丁香网| 中文字幕另类日韩欧美亚洲嫩草| 日日摸夜夜添夜夜添小说| 精品乱码久久久久久99久播| 精品久久蜜臀av无| 亚洲精品在线观看二区| 女警被强在线播放| 麻豆久久精品国产亚洲av| 中国美女看黄片| 美女国产高潮福利片在线看| 久久香蕉国产精品| 中文字幕最新亚洲高清| 久久亚洲精品不卡| 女人被狂操c到高潮| 欧美又色又爽又黄视频| 制服诱惑二区| 美女国产高潮福利片在线看| 黑丝袜美女国产一区| 一区二区三区国产精品乱码| 亚洲久久久国产精品| 欧美国产精品va在线观看不卡| 波多野结衣巨乳人妻| 看黄色毛片网站| 日韩三级视频一区二区三区| 两个人看的免费小视频| 一区二区三区高清视频在线| 高清毛片免费观看视频网站| 国产亚洲精品一区二区www| 久久久国产精品麻豆| 99热这里只有精品一区 | 宅男免费午夜| 特大巨黑吊av在线直播 | 91国产中文字幕| 我的亚洲天堂| 亚洲熟妇中文字幕五十中出| 精品日产1卡2卡| 18禁黄网站禁片免费观看直播| 成人国语在线视频| 99国产极品粉嫩在线观看| 一进一出抽搐动态| 黑人巨大精品欧美一区二区mp4| 国产精品av久久久久免费| 日日摸夜夜添夜夜添小说| 久久精品影院6| 最新美女视频免费是黄的| 午夜福利欧美成人| x7x7x7水蜜桃| 免费在线观看影片大全网站| 亚洲一码二码三码区别大吗| 搞女人的毛片| 一夜夜www| 日韩国内少妇激情av| 国产精品av久久久久免费| 精品国内亚洲2022精品成人| 亚洲久久久国产精品| 91老司机精品| 欧美午夜高清在线| 欧美另类亚洲清纯唯美| 成人三级黄色视频| 老司机午夜福利在线观看视频| 搡老岳熟女国产| 狂野欧美激情性xxxx| 国产精品影院久久| x7x7x7水蜜桃| 成人国产一区最新在线观看| 国产av又大| 欧美精品啪啪一区二区三区| 日韩视频一区二区在线观看| 久久国产亚洲av麻豆专区| 哪里可以看免费的av片| 午夜久久久久精精品| 国产蜜桃级精品一区二区三区| 国产精品 欧美亚洲| 欧美日本亚洲视频在线播放| 国产日本99.免费观看| 一区二区三区高清视频在线| 久久性视频一级片| 少妇 在线观看| 亚洲黑人精品在线| 亚洲va日本ⅴa欧美va伊人久久| 欧美日韩乱码在线| 日本熟妇午夜| 51午夜福利影视在线观看| 国产免费男女视频| 国产黄色小视频在线观看| 好看av亚洲va欧美ⅴa在| av在线天堂中文字幕| 高潮久久久久久久久久久不卡| 亚洲第一青青草原| 欧美久久黑人一区二区| 午夜免费观看网址| 久久久久精品国产欧美久久久| 在线永久观看黄色视频| 成熟少妇高潮喷水视频| 午夜福利欧美成人| 法律面前人人平等表现在哪些方面| 午夜免费成人在线视频| xxxwww97欧美| 男女午夜视频在线观看| 在线av久久热| 丁香欧美五月| 精品午夜福利视频在线观看一区| 啦啦啦免费观看视频1| 亚洲精品国产一区二区精华液| 精品国产一区二区三区四区第35| 97超级碰碰碰精品色视频在线观看| 亚洲 欧美 日韩 在线 免费| a在线观看视频网站| 亚洲国产高清在线一区二区三 | 法律面前人人平等表现在哪些方面| 丰满的人妻完整版| 欧美久久黑人一区二区| 欧美激情极品国产一区二区三区| 怎么达到女性高潮| 成人亚洲精品一区在线观看| av电影中文网址| 69av精品久久久久久| 精品不卡国产一区二区三区| 国产片内射在线| 亚洲色图 男人天堂 中文字幕| 在线观看www视频免费| 午夜精品久久久久久毛片777| 一本久久中文字幕| 一级毛片高清免费大全| or卡值多少钱| 熟妇人妻久久中文字幕3abv| 性色av乱码一区二区三区2| 欧美绝顶高潮抽搐喷水| 欧美激情高清一区二区三区| 亚洲午夜理论影院| 日韩视频一区二区在线观看| 日本熟妇午夜| 视频在线观看一区二区三区| 亚洲精品在线美女| 久99久视频精品免费| 91成人精品电影| 国产精品久久电影中文字幕| 午夜免费观看网址| 黄色a级毛片大全视频| 哪里可以看免费的av片| 日日爽夜夜爽网站| 听说在线观看完整版免费高清| 两性午夜刺激爽爽歪歪视频在线观看 | 看黄色毛片网站| 国产高清有码在线观看视频 | 在线国产一区二区在线| 黄频高清免费视频| 亚洲精品粉嫩美女一区| 一级a爱视频在线免费观看| 亚洲成a人片在线一区二区| 亚洲精品美女久久久久99蜜臀| 国产精品99久久99久久久不卡| 最新在线观看一区二区三区| 99在线人妻在线中文字幕| 侵犯人妻中文字幕一二三四区| 少妇的丰满在线观看| 成人免费观看视频高清| 国产视频一区二区在线看| 欧美一级毛片孕妇| a级毛片a级免费在线| 一区二区三区激情视频| 久久久久国产一级毛片高清牌|