《表1 不同方法识别性能对比》
表1显示了本文模型方法与当前最佳方法就NYU Depth V2数据集比较的结果。从表中可以看出,与最先进的方法相比,DCDN网络在阈值精度和rmse方面获得了更好的深度估计性能。Xu等人在log10和Abs Rel拥有更好的结果,这主要是因为其使用了连续条件随机场优化,对整体的场景分布会有更好的效果,而不是反应局部区域的特性,对小目标的估计参考价值有限。本文模型在NYUv2数据集上的准确率达到了82.3%(阈值小于1.25),优于最先进的方法。采用带空洞卷积的残差网络做为主干网络,在训练过程中为浅层网络提供更多的信息,学习多种模式,并与密集连接方式的Dense ASPP相结合,使深度网络具有更多的特性来弥补过程的损耗。同时,该方法也有效地缓解了梯度消失问题,获得了更好的效果。
图表编号 | XD00220053700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 张顺然、吴克伟、洪炎 |
绘制单位 | 合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院、合肥工业大学计算机与信息学院 |
更多格式 | 高清、无水印(增值服务) |