《表1 多孔卷积结构对网络的影响 (Make 3D数据集) Tab.1 Influence of atrous convolution on network (Make 3D 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

从两组（图4~5）对比中可以看出，多孔卷积结构的引入给模型的深度估计效果带来了诸多优势，图像中物体的边界被清晰地保留下来，使得某些区域的深度估计值发生重大变化。例如图4中第一行图片中的天空、房屋和树林之间的边界更加清晰，这可以使获取的深度图中避免出现不必要和不准确的深度估计区域。另外，在表1和表2中列出了本文两个分解模型与全模型输出深度图的误差数据和准确率数据，分别为Make3D数据库和NYU v2数据库的数据结果。对表1和表2中的数据分别进行分析可以看出，两个分解模型，即仅由本文CNN模型输出估计深度图和不包含CRF的ACNN模型输出的估计深度图，以及包含CRF的ACNN全模型输出的深度图的误差结果对比中，“ACNN+CRF”全模型经实验得到了最小的误差数据，并且ACNN的预测结果中所有误差均低于CNN预测结果的误差值，说明了全模型在深度估计中有更好的表现。