面向全局特征Transformer架构的单目深度估计.pdfVIP

2024年9月控制工程Sep.2024

第31卷第9期ControlEngineeringofChinaVol.31,No.9

文章编号：1671-7848(2024)09-1619-07DOI:10.14107/ki.kzgc

面向全局特征Transformer架构的单目深度估计

吴冰源，王永雄

（上海理工大学光电信息与计算机工程学院，上海200093）

摘要：针对卷积神经网络(convolutionalneuralnetworks,CNN)全局特征提取不足导致深

度估计错误的问题，提出了一种面向全局特征的深度学习网络用于单目深度估计。该网络

采用编码器-解码器的端到端架构，其中，编码器为具有多阶段输出的Transformer网络，

可提取多尺度的全局特征；解码器由CNN构成。此外，为抑制深度无关的细节信息影响，

解码器末端采用了大卷积核注意力(largekernelattention,LKA)模块提升全局特征的提取能

力。在室外场景数据集KITTI和室内场景数据集NYUDepthv2上的实验结果表明，面向

全局特征的网络有助于生成高精度的、细节特征完整的深度图。与近期提出的同样基于

CNN-Transformer的方法AdaBins相比，所提出网络的参数量减少了42.31%，均方根误差

减小了约2%。

关键词：单目深度估计；Transformer；大卷积核注意力；全局特征

中图分类号：TP18文献标识码：A

引用格式：吴冰源,王永雄.面向全局特征Transformer架构的单目深度估计[J].控制工程,2024,31(9):

1619-1625.

GlobalFeatureOrientedMonocularDepthEstimationBasedon

TransformerArchitecture

WUBingyuan,WANGYongxiong

(SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaiforScienceandTechnology,

Shanghai200093,China)

Abstract:Fortheproblemofinsufficientextractionofglobalfeaturesinconvolutionalneuralnetworks

(CNN),whichleadstotheerrorofdepthestimation,aglobalfeature-orienteddeeplearningnetworkis

proposedformonoculardepthestimation.Thenetworkisanencoder-decoderend-to-endarchitecture.The

encoderisaTransformerwithmulti-stageoutput