特征选择融合和增强的轻量级深度估计方法.pdfVIP

小型微型计算机系统２０２４年９月第９期

ＤＯＩ：１０．２０００９／ｊ．ｃｎｋｉ．２１１１０６／ＴＰ．２０２３０１３８

ＪｏｕｒｎａｌｏｆＣｈｉｎｅｓｅＣｏｍｐｕｔｅｒＳｙｓｔｅｍｓＶｏｌ．４５Ｎｏ．９２０２４

特征选择融合和增强的轻量级深度估计方法

１１，２１

陈磊，梁正友，孙宇

１（广西大学计算机与电子信息学院，南宁５３０００４）

２（广西多媒体通信与网络技术重点实验室，南宁５３０００４）

Ｅｍａｉｌ：ｚｈｙｌｉａｎｇ＠ｇｘｕ．ｅｄｕ．ｃｎ

摘要：目前大部分的单目深度估计网络存在网络参数庞大，消耗硬件资源多等问题．针对这些问题提出一种特征选择融合和

特征增强的轻量级深度估计方法．首先，设计了特征选择融合模块来对编码器输出的多尺度特征进行选择融合，在解码器中融

入编码器底层位置特征信息，提高不同尺度特征信息的利用率；其次，设计了一个Ｓｏｂｅｌ特征增强模块来加强模型对场景边界

信息的感知，提高场景边界深度信息的估计精度．实验结果表明，该方法的模型参数量在仅有４．２Ｍ（Ｍ为百万），在ＮＵＹＤｅｐｔｈ

Ｖ２数据集上取得指标０．８２３的先进性能．该方法不但兼顾了推理速度和估计精度，而且对场景边缘信息有较强预测能力以

δ

１

及模型有较强鲁棒性．

关键词：深度估计；多尺度特征融合；特征增强；编码器解码器；轻量级网络

中图分类号：ＴＰ１８３文献标识码：Ａ文章编号：１０００１２２０（２０２４）０９２１８２０６

ＬｉｇｈｔｗｅｉｇｈｔＤｅｐｔｈＥｓｔｉｍａｔｉｏｎＭｅｔｈｏｄｆｏｒＦｅａｔｕｒｅＳｅｌｅｃｔｉｏｎＦｕｓｉｏｎａｎｄＥｎｈａｎｃｅｍｅｎｔ

１１，２１

ＣＨＥＮＬｅｉ，ＬＩＡＮＧＺｈｅｎｇｙｏｕ，ＳＵＮＹｕ

１（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒａｎｄＥｌｅｃｔｒｏｎｉｃｓＩｎｆｏｒｍａｔｉｏｎ，ＧｕａｎｇｘｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｎｉｎｇ５３０００４，Ｃｈｉｎａ）

２（ＧｕａｎｇｘｉＫｅｙＬａｂｏｒａｔｏｒｙｏｆＭｕｌｔｉｍｅｄｉａＣｏｍｍｕｎｉｃａｔｉｏｎｓａｎｄＮｅｔｗｏｒｋＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｎｉｎｇ５３０００４，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｃｕｒｒｅｎｔｌｙ，ｍｏｓｔｍｏｎｏｃｕｌａｒｄｅｐｔｈｅｓｔｉｍａｔｉｏｎｎｅｔｗｏｒｋｓｓｕｆｆｅｒｆｒｏｍｔｈｅｉｓｓｕｅｏｆｌａｒｇｅｎｅｔｗｏｒｋｐａｒａｍｅｔｅｒｓａｎｄｈｉｇｈｈａｒｄｗａｒｅ

ｒｅｓｏｕｒｃｅｃｏｎｓｕｍｐｔｉｏｎ．Ｔｏｓｏｌｖｅｔｈｅｓｅｐｒｏｂｌｅｍｓ，ａｌｉｇｈｔｗｅｉｇｈｔｄｅｐｔｈｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｆｏｒｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｆｕｓｉｏｎａｎｄｆｅａｔｕｒｅｅｎｈａｎｃｅ

ｍｅｎｔｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ａｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｆｕｓｉｏｎｍｏｄｕｌｅｎｅｔｗｏｒｋｉｓｄｅｓｉｇｎｅｄｔｏｓｅｌｅｃｔｉｖｅｌｙｆｕｓｅｔｈｅｍｕｌｔｉｓｃａｌｅｆｅａｔｕｒｅｓｏｕｔｐｕｔｂｙ

ｔｈｅｅｎｃｏｄｅｒ，ａｎｄｔｈｅｌｏｗｌｅｖｅｌｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｅｎｃｏｄｅｒｉｓｉｎｔｅｇｒａｔｅｄｉｎｔｏｔｈｅｄｅｃｏｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｕｔｉｌｉｚａｔｉｏｎｏｆ

ｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎａｔｄｉｆｆｅｒｅｎｔｓｃａｌｅｓ．Ｓｅｃｏｎｄｌｙ，ａＳｏｂｅｌｆｅａｔｕｒｅｅｎｈａｎｃｅｍｅｎｔｍｏｄｕｌｅｉｓｄｅｓｉｇｎｅｄｔｏｅｎｈａｎｃｅｔｈｅｍｏｄｅｌｓｐｅｒｃｅｐｔｉｏｎｏｆ

ｓｃｅｎｅｂｏｕｎｄａｒｙｉｎｆｏｒｍａｔｉｏｎａｎｄｉｍｐｒｏｖｅｔｈｅｅｓｔｉｍａｔｉｏｎａｃｃｕｒａｃｙｏｆｓｃｅｎｅｂｏｕｎｄａｒｙｄｅｐｔｈｉｎｆｏｒｍａｔｉｏｎ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗ

ｔｈａｔｔｈｅｐａｒａｍｅｔｅｒｓｏｆｔｈｅｍｅｔｈｏｄｍｏｄｅｌｉｎｔｈｉｓｐａｐｅｒｏｎｌｙ４．２Ｍ（Ｍｉｓｍｉｌｌｉｏｎｓ），ｂｕｔｒｅａｃｈｅｓ０．８２３．Ｔｈｉｓｍｅｔｈｏｄｎｏｔｏｎｌｙｃｏｎｓｉｄ