基于轻量化融合损失网络的单目深度估计

摘要

针对现有监督学习的单目深度估计存在编码器模型参数量大、计算复杂度高等问题,本文构建了一种基于轻量化融合损失网络的单目深度估计模型,该模型基于编码器-解码器设计。首先,编码器采用网络搜索技术的EfficientNet;其次,解码器设计一种结合双通道空间注意力机制的SU-Net结构模型;最后,在解码器的输出端基于该模型构建ResNet50损失网络,对物体边缘、纹理和轮廓差异进行惩罚,来弥补编码-解码阶段特征信息表达能力不足的问题。在NYU-Depth V2数据集上开展了试验,试验结果表明:该模型深度估计的均方根误差(RMSE)达到了0.419,优于原始基准模型。