龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：安徽理工大学
申请日：2024-04-25
公开（公告）日：2024-06-28
公开（公告）号：CN118261953A
主分类号：G06T7/50
分类号：G06T7/50;G06N3/0455;G06N3/0464;G06N3/084;G06V10/80
优先权：
专利状态码：在审-公开
法律状态：2024.06.28#公开
摘要：本发明提出一种基于多层次特征强化与级联自蒸馏的单目深度预测方法。该单目深度预测方法提出了一个跨层次特征增强CLFE模块，该模块巧妙利用跨层次功能来增强初始特征，同时通过具有混合权重运算的通道注意力机制加强特征通道中的潜在信息；在解码器阶段，引入层次特征交叉细化HFCR模块，通过窗口多头交叉注意力机制来有效地捕捉和关注更丰富和重要的信息，并从粗到细地细化高级特征；设计一个级联自蒸馏CSD模块，该模块在不增加额外子网络的情况下，来促进不同层次特征中多样化信息的交互；本发明利用多层次特征增强、细化和自蒸馏来有效地捕捉丰富的信息，结合有效的层次特征变换损失函数，本发明能够以更高的准确度完成深度预测。
主权项：1.一种基于多层次特征强化与级联自蒸馏的单目深度预测方法，其特征在于，该方法包含以下步骤：1利用在ImageNet上预先训练好的SwinTransformer初始化编码器网络的骨干网络，提取不同分辨率的初始特征；2在编码器的最低阶段和最高阶段之间使用基于通道注意力的跨层次特征增强CLFE模块用于进一步的特征增强；3使用自下而上的方法，从最低分辨率的编码器特征图开始，通过迭代上采样操作，使用基于窗口交叉注意力的层次特征交叉细化HFCR模块，在各个层次上进一步处理细化特征和相应的编码器特征，以恢复全局信息和局部细节；4所有层次的细化特征被馈送到级联自蒸馏CSD模块，通过层次特征变换损失LHFT计算深度特征，以促进梯度反向传播；5使用尺度不变损失LDepth和层次特征变换损失LHFT训练和优化网络模型。
全文数据：
权利要求：
百度查询： 安徽理工大学 一种基于多层次特征强化与级联自蒸馏的单目深度预测方法
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号