《表3 Make3D数据集上的实验结果对比Tab.3 Comparison of experimental results on Make3D dataset》

  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

《基于多孔卷积神经网络的图像深度估计模型》

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

在Make3D数据集上的实验结果如表3所示，C1误差仅计算了真实深度值低于70 m的图像区域，C2误差将全部图像区域用于误差计算。本文与文献[15]和文献[22-24]的方法进行误差结果对比，并将其列在表3中，其中文献[23]未提供该方法的C1误差与C2误差的均方根误差（RMSE），故未在表中列出，与文献[15]及文献[22]方法的深度图比较结果如图7所示，从表3误差数据及图7深度图结果对比中得出几点结论:1) 在对输入图像进行增强处理之后，CNN的输出结果较文献[15]及文献[22-24]的误差结果有了提升，说明提升小波的阈值降噪处理确实能够在去掉噪声的同时突出图像的细节特征；2) 在多孔卷积结构加入模型训练过程后，神经网络在误差对比中有了更好的表现，可以证明多孔卷积神经网络确实具有融合原始图像中空间信息参与模型训练，并提高深度估计准确性这一事实；3) 在结合条件随机场进行联合优化训练后，融合图像梯度信息的高斯项可以进一步提升深度估计的准确性，使本文提出的网络模型获得了最好的深度估计结果。