《表1 输出特征图的尺寸：一种改进的卷积神经网络的室内深度估计方法》

  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

《一种改进的卷积神经网络的室内深度估计方法》

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

本文所提出的网络结构，如图1所示，图中Conv表示卷积层，Down表示下采样卷积层，FCSE1、FCSE2、FCSE3、FCSE4分别表示提取特征层1、提取特征层2、提取特征层3、提取特征层4，Trans表示FCRN上采样模块，⊕表示连接层．采用端到端的学习方式，该框架学习从彩色图像到相应深度图像的直接映射，采用编码器-解码器结构（encoder-decoder）的网络框架．encoder部分采用10个FCSE＿block模块（即图1中的FCSE）和卷积层Conv以及Down1、Down2、Down3、Down4.decoder部分采用4个Trans上采样模块．Conv1包含一个尺寸为7×7、步长为2的卷积层，一个3×3的最大池化，一个Relu层.Down1、Down2、Down3、Down4和Conv2中的是3×3、步长为1的卷积层，同时Conv2又包含一个Relu层．首先将输入图像送入一个卷积层，和一个最大池化层，特征图尺寸变为76×57×64．受文献[1]中up-projection模块结构的启发，将下采样模块的结构设计为Down1、FCSE1（FCSE＿block×2）、Down2、FCSE2（FCSE＿block×3）、Down3、FCSE3（FCSE＿block×4）、Down4、FCSE4（FCSE＿block×1）.FCSE＿block×2是指将特征图依次传入2个FCSE＿block模块（如图2所示），FCSE1、FCSE2、FCSE3、FCSE4同理．各层输出参数如表1所示．本文所提出的深度模型中，所有的卷积层之后均连接着批量正则化层（batch normalization，BN层），文中为了简化而忽略.