IEEE 2023 I 立體三角測量為什么在無人機(jī)距離估計中不起作用？（2）

本實驗中，作者構(gòu)建了UAVDE數(shù)據(jù)集，該數(shù)據(jù)集旨在幫助研究無人機(jī)場景中的距離估計。數(shù)據(jù)集包含2815個訓(xùn)練樣本、541個驗證樣本和539個評估樣本，分辨率為1280×720。每個樣本都有距離注釋以及左右圖像中的無人機(jī)邊界框注釋。作者使用驗證子集來進(jìn)行超參數(shù)和模型選擇。為了評估距離估計的性能，作者采用了兩個常用的評估指標(biāo)：AbsRel和SqRel。其中，AbsRel表示絕對相對誤差，SqRel表示平方相對誤差。這些評估指標(biāo)可以通過計算距離估計值與真實距離之間的差異來評估算法的準(zhǔn)確性。

在本實現(xiàn)中，作者選擇了YOLOX-Nano作為無人機(jī)檢測器，因為它在性能和計算效率之間達(dá)到了良好的平衡。作者先在UAVDE數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，然后固定檢測器，用于生成訓(xùn)練所需的位置矯正機(jī)制。為了實現(xiàn)位置矯正機(jī)制和門控模塊，作者采用了相同的多層感知器MLP-Mixer。通過利用MLP-Mixer的混合機(jī)制，作者可以捕捉生成的位置矯正機(jī)制中的內(nèi)部關(guān)系，并預(yù)測位置偏移。為了提高計算效率，作者將原始的8層MLP-Mixer變體減少到2層，并避免了過擬合問題。在訓(xùn)練過程中，采用SGD優(yōu)化器，并配合梯度裁剪、余弦學(xué)習(xí)率調(diào)度和線性預(yù)熱等策略。通過在驗證子集上進(jìn)行驗證，確定了閾值T和λ的取值，使得在困難樣本上能夠獲得明顯的改進(jìn)。

在本實驗中，為了展示作者提出的方法的優(yōu)越性，作者與兩種經(jīng)典方法進(jìn)行了比較。根據(jù)比較結(jié)果，作者觀察到經(jīng)典方法在無人機(jī)場景中表現(xiàn)不佳，受到位置偏移和環(huán)境干擾的影響。相比之下，基線方法展現(xiàn)出更好的性能，但仍然受到位置偏移問題的困擾。注釋的邊界框在性能上只有輕微的改善，無法解決位置偏移問題。與其他方法相比，作者的方法能夠通過補(bǔ)償位置偏移帶來顯著的性能提升，達(dá)到38.84%的改進(jìn)效果，這證明了作者方法的優(yōu)越性和有效性。

本文通過進(jìn)行消融實驗來驗證作者提出的方法的有效性。實驗結(jié)果表明，通過引入PCM組件可以顯著改善距離估計精度，特別是解決位置偏差問題。同時，DIC組件在對困難樣本進(jìn)行多次修正后，可以進(jìn)一步提升性能。對于修正階段數(shù)量的選擇，進(jìn)行兩次修正可以帶來明顯的改進(jìn)，進(jìn)一步的修正效果不明顯。閾值T的選擇不同范圍對方法的改進(jìn)均有一定影響，表明方法對T值的選擇具有魯棒性。此外，通過資源消耗分析，作者發(fā)現(xiàn)我們提出的PCM和門控模塊在計算成本上幾乎可以忽略不計，有助于輕量級設(shè)計。針對困難樣本，作者提出的DIC機(jī)制可以進(jìn)一步改善估計性能，特別是對于距離較遠(yuǎn)的樣本。最后，通過可視化分析，作者展示了我們的方法在易樣本和難樣本上的修正效果，證明了其有效性。

在本文中，作者專注于無人機(jī)距離估計問題，這在實際中非常重要但卻很少被研究。為了幫助研究，作者建立了一個新穎的無人機(jī)距離估計數(shù)據(jù)集，令人驚訝的是作者發(fā)現(xiàn)常用的立體三角化范式在無人機(jī)場景中不起作用。主要原因是圖像畸變現(xiàn)象和立體三角化中的內(nèi)部幾何模糊導(dǎo)致的位置偏移問題，在無人機(jī)場景中很常見。為了解決這個問題，作者提出了一個新穎的位置校正模塊（PCM），來明確預(yù)測圖像和目標(biāo)無人機(jī)實際位置之間的偏移量。此外，作者設(shè)計了一個動態(tài)迭代校正（DIC）機(jī)制，進(jìn)一步改善對難樣本的校正效果。大量實驗證實了作者方法的有效性和優(yōu)越性。