《表3 实验数据对比：基于卷积神经网络的单目深度估计》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的单目深度估计》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文实验从各个场景下的街道中取样，将KITTI官方提供的697个未训练的视差图像用于评估实验结果，这个数据集中包括29个不同的场景。在表3中列出了该实验结果与相同条件下其他的实验数据之间的对比，其中Abs Rel、Sq Rel、RMSE、RMSE log这4个指标的数值越小越好，δ<1.25，δ<1.252，δ<1.253这3个指标为越大越好。性能均优于现有的算法。标题后面的“k”表示使用KITTI数据集训练，“cs+k”表示使用KITTI和Cityscapes两个数据集训练。从实验效果图中抽取了几张有代表性的图像，在图5中展示了本文实验的效果图与Godard等人的实验效果图对比，可以看出，使用空洞卷积提取特征，除了可以正确估计深度外，可以将原图不同的物体清晰的表现出来，可以增强模型对图像整体的感知，一些原本与背景融合的物体重新展现出来。但是如果使用扩张率过大的卷积核，反而会使图像变模糊，不能拟合出正确的图像。在第一个例子中，例如原图中与背景融合的电线杆在我们的效果图中完整的展现出来，并没有出现断裂，第二个例子地上的柱子和地面完全分割开来，第三个例子体现出人物和树木等事物的轮廓更为清晰。通过对比可以看出，如果图像中出现与远处事物颜色相近的物体，在Godard的算法表现欠佳，而在本实验中可以准确表达。图6选取了一些具体的事物的差别。Cityscapes数据集中测试的效果图如图7所示。