• <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圍環(huán)境之間的幾何關(guān)系,在提升無(wú)人車駕駛安全性[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)景的不同類型圖像,所以兩者之間存在相關(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??梢钥闯鲴詈下手饾u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,該分類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)像素的分類結(jié)果如圖6所示,將其與該像素點(diǎn)的真實(shí)類別比較,可以看到使用濾波器部分耦合方法后的預(yù)測(cè)分類結(jié)果更接近真實(shí)深度分類。

    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?,基于紅外和可見(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。可以看出PF-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
    一级毛片我不卡| 日本欧美视频一区| 免费看av在线观看网站| 国产深夜福利视频在线观看| 熟妇人妻不卡中文字幕| 中文字幕人妻熟人妻熟丝袜美| 内地一区二区视频在线| 国产乱人偷精品视频| 在线免费十八禁| 国语对白做爰xxxⅹ性视频网站| 婷婷色综合www| 乱系列少妇在线播放| 国产乱来视频区| 亚洲精品中文字幕在线视频 | 国产免费视频播放在线视频| 欧美日韩视频高清一区二区三区二| 亚洲,一卡二卡三卡| 国模一区二区三区四区视频| 一本一本综合久久| 久久99热6这里只有精品| 精品99又大又爽又粗少妇毛片| 精品亚洲成国产av| 午夜视频国产福利| 91精品一卡2卡3卡4卡| 亚洲中文av在线| 大陆偷拍与自拍| 男女免费视频国产| 亚洲精品,欧美精品| 少妇丰满av| 啦啦啦在线观看免费高清www| 丰满乱子伦码专区| 欧美一区二区亚洲| 综合色丁香网| 伦理电影免费视频| 亚洲色图综合在线观看| 99九九线精品视频在线观看视频| 美女xxoo啪啪120秒动态图| 精品一区二区免费观看| 亚洲一区二区三区欧美精品| 男女边摸边吃奶| 亚洲av中文av极速乱| 亚洲真实伦在线观看| 欧美另类一区| 国产欧美另类精品又又久久亚洲欧美| 国产成人精品婷婷| 麻豆国产97在线/欧美| 一级毛片久久久久久久久女| 视频中文字幕在线观看| 国精品久久久久久国模美| 国产高清有码在线观看视频| 少妇猛男粗大的猛烈进出视频| 欧美成人一区二区免费高清观看| 一本一本综合久久| 国产乱来视频区| 午夜激情福利司机影院| 水蜜桃什么品种好| 51国产日韩欧美| 毛片女人毛片| 水蜜桃什么品种好| 成人二区视频| 在线亚洲精品国产二区图片欧美 | av又黄又爽大尺度在线免费看| 精品久久国产蜜桃| 激情 狠狠 欧美| 高清不卡的av网站| 18禁在线无遮挡免费观看视频| 国产精品久久久久久精品电影小说 | 成年免费大片在线观看| 亚洲精品国产av蜜桃| 欧美一级a爱片免费观看看| 中文字幕人妻熟人妻熟丝袜美| 久久国产精品男人的天堂亚洲 | 国产黄片美女视频| 久久人妻熟女aⅴ| 亚洲真实伦在线观看| 少妇人妻久久综合中文| 少妇的逼好多水| 天堂8中文在线网| 大片免费播放器 马上看| 我要看黄色一级片免费的| 亚洲欧美一区二区三区国产| 欧美极品一区二区三区四区| 在线观看人妻少妇| 尾随美女入室| 国产毛片在线视频| 欧美日韩一区二区视频在线观看视频在线| 久久久亚洲精品成人影院| 欧美亚洲 丝袜 人妻 在线| 亚洲av成人精品一二三区| 亚洲国产精品专区欧美| 欧美另类一区| 能在线免费看毛片的网站| 少妇熟女欧美另类| 老熟女久久久| av线在线观看网站| 在线观看免费视频网站a站| 日日摸夜夜添夜夜添av毛片| 国产成人freesex在线| av.在线天堂| 亚洲精品视频女| 亚洲美女视频黄频| 精品久久国产蜜桃| 国产成人a∨麻豆精品| 国产精品一区www在线观看| 97在线人人人人妻| 亚洲欧美成人精品一区二区| 性高湖久久久久久久久免费观看| 我的老师免费观看完整版| 观看av在线不卡| 国产亚洲91精品色在线| 啦啦啦中文免费视频观看日本| 亚洲精品国产av成人精品| a级毛色黄片| videos熟女内射| 18+在线观看网站| 在线天堂最新版资源| 亚洲av中文av极速乱| av免费在线看不卡| 久久影院123| 亚洲成人手机| 下体分泌物呈黄色| 少妇 在线观看| 如何舔出高潮| av在线app专区| 国产精品国产av在线观看| 大香蕉久久网| 欧美精品一区二区大全| 亚洲美女黄色视频免费看| 亚州av有码| 啦啦啦中文免费视频观看日本| 久久久久精品性色| 99热6这里只有精品| 亚洲精品一区蜜桃| 欧美变态另类bdsm刘玥| 伊人久久精品亚洲午夜| 欧美精品人与动牲交sv欧美| 亚洲国产精品专区欧美| 国产亚洲最大av| 婷婷色综合www| 成人二区视频| 亚洲av成人精品一区久久| 久久久久久久亚洲中文字幕| 人人妻人人看人人澡| 欧美日韩综合久久久久久| 久久久午夜欧美精品| 日本wwww免费看| 日韩成人伦理影院| 亚洲经典国产精华液单| 纵有疾风起免费观看全集完整版| 婷婷色麻豆天堂久久| 亚洲av男天堂| 国产精品女同一区二区软件| 在现免费观看毛片| 国产欧美日韩一区二区三区在线 | 搡老乐熟女国产| 国模一区二区三区四区视频| 成年免费大片在线观看| 国产淫语在线视频| 国产欧美亚洲国产| 国产女主播在线喷水免费视频网站| 免费观看a级毛片全部| 高清av免费在线| 六月丁香七月| 亚洲成人一二三区av| 男女无遮挡免费网站观看| 人妻制服诱惑在线中文字幕| 日韩av不卡免费在线播放| 日韩大片免费观看网站| 欧美另类一区| 日韩免费高清中文字幕av| 日本黄色片子视频| 国产淫语在线视频| 国产黄片美女视频| 日本与韩国留学比较| xxx大片免费视频| 大片免费播放器 马上看| 麻豆精品久久久久久蜜桃| 精品亚洲乱码少妇综合久久| 亚洲久久久国产精品| freevideosex欧美| 亚洲自偷自拍三级| 欧美成人一区二区免费高清观看| 女的被弄到高潮叫床怎么办| 人人妻人人看人人澡| av.在线天堂| 国产精品av视频在线免费观看| 国产精品爽爽va在线观看网站| 一本一本综合久久| 高清毛片免费看| 18+在线观看网站| 插逼视频在线观看| 国产精品成人在线| 一边亲一边摸免费视频| 一区二区三区四区激情视频| a级毛色黄片| 久久这里有精品视频免费| 亚洲第一区二区三区不卡| 精华霜和精华液先用哪个| 麻豆国产97在线/欧美| 久久午夜福利片| 免费看av在线观看网站| 99久久精品一区二区三区| 美女脱内裤让男人舔精品视频| 一区在线观看完整版| 夫妻午夜视频| 18禁裸乳无遮挡免费网站照片| 亚洲精品乱码久久久v下载方式| 亚洲最大成人中文| 国产 一区精品| 91久久精品国产一区二区三区| 国产高清有码在线观看视频| 国产乱来视频区| 在线观看免费视频网站a站| 一级毛片黄色毛片免费观看视频| 精华霜和精华液先用哪个| 亚洲精品国产色婷婷电影| 在线 av 中文字幕| 青春草视频在线免费观看| 国产一区二区三区综合在线观看 | 亚洲精品日韩av片在线观看| 日韩中文字幕视频在线看片 | 岛国毛片在线播放| 亚洲欧美一区二区三区黑人 | 成人一区二区视频在线观看| 国产黄片美女视频| 成人黄色视频免费在线看| 搡老乐熟女国产| 51国产日韩欧美| 亚洲丝袜综合中文字幕| 午夜福利在线观看免费完整高清在| 国产成人免费观看mmmm| 最后的刺客免费高清国语| 亚洲国产精品国产精品| 看十八女毛片水多多多| 久久精品国产自在天天线| 免费观看性生交大片5| 天堂俺去俺来也www色官网| h视频一区二区三区| av.在线天堂| 日日撸夜夜添| 夜夜骑夜夜射夜夜干| 中文字幕制服av| 国产在线视频一区二区| 男女边摸边吃奶| 成人影院久久| 免费在线观看成人毛片| 美女中出高潮动态图| 国产av精品麻豆| 搡女人真爽免费视频火全软件| 91在线精品国自产拍蜜月| 妹子高潮喷水视频| 尾随美女入室| 国产真实伦视频高清在线观看| 日韩强制内射视频| 国产成人aa在线观看| 新久久久久国产一级毛片| 国产爽快片一区二区三区| 免费黄网站久久成人精品| 一级毛片aaaaaa免费看小| 肉色欧美久久久久久久蜜桃| 视频区图区小说| 欧美xxⅹ黑人| 亚洲精品自拍成人| 一级毛片电影观看| 亚洲精品第二区| 国产精品不卡视频一区二区| 边亲边吃奶的免费视频| 精品久久国产蜜桃| 最近的中文字幕免费完整| 欧美高清成人免费视频www| 永久免费av网站大全| 国产精品免费大片| 秋霞在线观看毛片| 午夜免费男女啪啪视频观看| 精品人妻偷拍中文字幕| 黑人猛操日本美女一级片| 99热全是精品| 亚洲精华国产精华液的使用体验| freevideosex欧美| 欧美性感艳星| 麻豆乱淫一区二区| 午夜免费男女啪啪视频观看| av在线观看视频网站免费| 精品少妇久久久久久888优播| 国产精品久久久久久精品古装| 在线精品无人区一区二区三 | 51国产日韩欧美| 亚洲精品一二三| 国产黄频视频在线观看| 亚洲色图综合在线观看| 国产爽快片一区二区三区| 99精国产麻豆久久婷婷| 爱豆传媒免费全集在线观看| 久久久色成人| 小蜜桃在线观看免费完整版高清| 亚洲精品视频女| 日韩成人av中文字幕在线观看| 久久久久性生活片| 91狼人影院| 日本色播在线视频| av国产久精品久网站免费入址| 欧美3d第一页| 成人免费观看视频高清| 99久久中文字幕三级久久日本| 国产中年淑女户外野战色| 91狼人影院| 日韩伦理黄色片| 日韩伦理黄色片| 亚洲四区av| 欧美一级a爱片免费观看看| 亚洲精品亚洲一区二区| 天美传媒精品一区二区| 亚洲国产精品国产精品| 两个人的视频大全免费| 成人特级av手机在线观看| 国产精品久久久久久精品古装| 一个人看的www免费观看视频| 日韩av不卡免费在线播放| 观看美女的网站| 乱码一卡2卡4卡精品| 交换朋友夫妻互换小说| 国产精品精品国产色婷婷| 亚洲国产成人一精品久久久| 欧美最新免费一区二区三区| 久久久成人免费电影| 日韩亚洲欧美综合| 久久毛片免费看一区二区三区| 26uuu在线亚洲综合色| 国产精品熟女久久久久浪| 免费看不卡的av| 精华霜和精华液先用哪个| 日日摸夜夜添夜夜爱| 观看免费一级毛片| 交换朋友夫妻互换小说| 日本爱情动作片www.在线观看| 精品99又大又爽又粗少妇毛片| 大香蕉久久网| 大码成人一级视频| 青春草国产在线视频| 成人免费观看视频高清| 亚洲内射少妇av| 男人狂女人下面高潮的视频| av天堂中文字幕网| 自拍欧美九色日韩亚洲蝌蚪91 | 一区二区三区乱码不卡18| 男人添女人高潮全过程视频| 国产真实伦视频高清在线观看| 插阴视频在线观看视频| 蜜桃在线观看..| 日韩精品有码人妻一区| 日本欧美国产在线视频| 久久av网站| 亚洲av.av天堂| 亚洲人与动物交配视频| 亚洲中文av在线| 色哟哟·www| 极品教师在线视频| 夜夜看夜夜爽夜夜摸| 成人18禁高潮啪啪吃奶动态图 | 日本-黄色视频高清免费观看| 有码 亚洲区| 久热久热在线精品观看| 日本免费在线观看一区| 成人影院久久| 久久久久久久大尺度免费视频| 精品熟女少妇av免费看| 日韩强制内射视频| 18禁动态无遮挡网站| 国产免费福利视频在线观看| 黑人猛操日本美女一级片| 久久久久久久国产电影| 我的老师免费观看完整版| 久久97久久精品| 一级爰片在线观看| 蜜臀久久99精品久久宅男| 午夜福利视频精品| 国产在线男女| 久久精品久久久久久噜噜老黄| 91久久精品国产一区二区成人| 亚洲人成网站高清观看| av播播在线观看一区| 毛片女人毛片| 久久久久国产网址| 久久久久视频综合| 亚洲成人一二三区av| 精品熟女少妇av免费看| 深爱激情五月婷婷| 国产深夜福利视频在线观看| 91午夜精品亚洲一区二区三区| 久久韩国三级中文字幕| 18+在线观看网站| 成人国产麻豆网| 乱系列少妇在线播放| 成人亚洲精品一区在线观看 | 99久久中文字幕三级久久日本| 久久久久人妻精品一区果冻| 免费黄网站久久成人精品| 日本-黄色视频高清免费观看| 嫩草影院新地址| 青春草视频在线免费观看| 日韩电影二区| 午夜日本视频在线| 欧美xxxx黑人xx丫x性爽| 另类亚洲欧美激情| 草草在线视频免费看| a 毛片基地| 黄色一级大片看看| 日本猛色少妇xxxxx猛交久久| 亚洲不卡免费看| 国产极品天堂在线| 性色avwww在线观看| 欧美激情国产日韩精品一区| 久久久久久伊人网av| 久久精品国产亚洲网站| 久久女婷五月综合色啪小说| 午夜激情久久久久久久| 国产深夜福利视频在线观看| 边亲边吃奶的免费视频| 免费观看无遮挡的男女| 亚洲国产成人一精品久久久| 亚洲成人av在线免费| 激情五月婷婷亚洲| 秋霞在线观看毛片| 亚洲成人av在线免费| 91久久精品国产一区二区三区| 久久精品国产a三级三级三级| 22中文网久久字幕| 精品久久久久久久末码| 亚洲欧美日韩东京热| 黑人猛操日本美女一级片| 亚洲国产毛片av蜜桃av| 国产精品国产三级专区第一集| 亚洲精品日本国产第一区| 高清午夜精品一区二区三区| 日韩成人av中文字幕在线观看| 成年女人在线观看亚洲视频| 3wmmmm亚洲av在线观看| 99热这里只有是精品在线观看| 永久免费av网站大全| videossex国产| 亚洲国产日韩一区二区| a级毛片免费高清观看在线播放| 97在线人人人人妻| 亚洲天堂av无毛| 97精品久久久久久久久久精品| 精品国产一区二区三区久久久樱花 | 视频区图区小说| 成年免费大片在线观看| 国产女主播在线喷水免费视频网站| 99久久综合免费| 国产精品99久久久久久久久| 有码 亚洲区| 精品亚洲乱码少妇综合久久| 夜夜看夜夜爽夜夜摸| 人人妻人人添人人爽欧美一区卜 | 成人亚洲欧美一区二区av| 91久久精品国产一区二区三区| 亚洲av成人精品一区久久| 亚洲怡红院男人天堂| 韩国高清视频一区二区三区| 成人毛片a级毛片在线播放| 亚洲成人手机| 在线精品无人区一区二区三 | 成人美女网站在线观看视频| 精品国产乱码久久久久久小说| 肉色欧美久久久久久久蜜桃| 深夜a级毛片| 午夜福利影视在线免费观看| 亚洲经典国产精华液单| 狂野欧美激情性xxxx在线观看| 99热这里只有是精品50| 少妇人妻久久综合中文| 中文字幕亚洲精品专区| 欧美精品一区二区免费开放| 最近2019中文字幕mv第一页| 永久网站在线| 亚洲aⅴ乱码一区二区在线播放| 亚洲国产精品999| 欧美国产精品一级二级三级 | av视频免费观看在线观看| 色婷婷av一区二区三区视频| 国产视频内射| 日韩欧美 国产精品| 最近手机中文字幕大全| 日韩,欧美,国产一区二区三区| 国产精品免费大片| 国产精品麻豆人妻色哟哟久久| av免费在线看不卡| 国产深夜福利视频在线观看| av国产免费在线观看| 欧美3d第一页| 天天躁夜夜躁狠狠久久av| 在现免费观看毛片| 国产有黄有色有爽视频| 18禁在线无遮挡免费观看视频| 免费大片黄手机在线观看| 久久人人爽av亚洲精品天堂 | 91久久精品国产一区二区三区| 大又大粗又爽又黄少妇毛片口| av免费观看日本| 婷婷色av中文字幕| 日本与韩国留学比较| 最近2019中文字幕mv第一页| 国产高潮美女av| 日本一二三区视频观看| 国产精品一区二区三区四区免费观看| 久久99热这里只频精品6学生| 色5月婷婷丁香| 亚洲精品国产成人久久av| 80岁老熟妇乱子伦牲交| 少妇的逼好多水| 国产淫语在线视频| 午夜激情久久久久久久| 国产色婷婷99| 中国三级夫妇交换| 老女人水多毛片| av免费在线看不卡| 精品亚洲乱码少妇综合久久| 看非洲黑人一级黄片| 麻豆精品久久久久久蜜桃| 国产黄色免费在线视频| 亚洲人与动物交配视频| 男人舔奶头视频| 国产精品99久久99久久久不卡 | 激情五月婷婷亚洲| 亚洲人成网站高清观看| 亚洲一级一片aⅴ在线观看| 内地一区二区视频在线| 26uuu在线亚洲综合色| 中文字幕免费在线视频6| 26uuu在线亚洲综合色| 直男gayav资源| 久久久久久伊人网av| 欧美 日韩 精品 国产| 亚洲精品亚洲一区二区| 简卡轻食公司| 日韩av不卡免费在线播放| 国产中年淑女户外野战色| 亚洲av欧美aⅴ国产| 国产人妻一区二区三区在| 日韩人妻高清精品专区| 久久精品夜色国产| 男女边摸边吃奶| 水蜜桃什么品种好| av网站免费在线观看视频| 国产成人aa在线观看| 国产女主播在线喷水免费视频网站| 毛片女人毛片| 边亲边吃奶的免费视频| 亚洲国产精品成人久久小说| 天天躁夜夜躁狠狠久久av| 狂野欧美白嫩少妇大欣赏| 午夜福利在线在线| 久久久久国产精品人妻一区二区| 亚洲av中文av极速乱| a级毛色黄片| 久久99蜜桃精品久久| 精品人妻熟女av久视频| 亚洲一区二区三区欧美精品| 97精品久久久久久久久久精品| 汤姆久久久久久久影院中文字幕| 最近的中文字幕免费完整| 2022亚洲国产成人精品| 少妇熟女欧美另类| 亚洲精品亚洲一区二区| 性色av一级| 亚洲欧美精品专区久久| 美女cb高潮喷水在线观看| 在线天堂最新版资源| 美女cb高潮喷水在线观看| 国产高潮美女av| 国产中年淑女户外野战色| 自拍偷自拍亚洲精品老妇| 91精品国产九色| 亚洲美女视频黄频| 又爽又黄a免费视频| 亚洲自偷自拍三级| 国产午夜精品一二区理论片| 亚洲av电影在线观看一区二区三区| 国产精品99久久久久久久久| 卡戴珊不雅视频在线播放| 女性生殖器流出的白浆| 亚洲,一卡二卡三卡| 人妻一区二区av| 久久ye,这里只有精品| h视频一区二区三区| 搡女人真爽免费视频火全软件| 日本黄色片子视频| 欧美xxⅹ黑人| 91在线精品国自产拍蜜月| 亚洲av不卡在线观看| 九九在线视频观看精品| 亚洲av男天堂| 最近2019中文字幕mv第一页| 亚洲精品亚洲一区二区| 妹子高潮喷水视频| 亚洲天堂av无毛| videos熟女内射| 午夜激情久久久久久久| 久久久欧美国产精品| 久久精品久久精品一区二区三区| 人人妻人人澡人人爽人人夜夜| 国内精品宾馆在线| 亚洲一区二区三区欧美精品| 91精品国产九色| 亚洲国产精品专区欧美| 欧美97在线视频| 青春草亚洲视频在线观看| 色综合色国产| 国内精品宾馆在线| 男女边摸边吃奶| 晚上一个人看的免费电影| 亚洲怡红院男人天堂| 国产淫语在线视频| 国产综合精华液|