基于深度学习的动态感兴趣区域,用于灰度图像的自动对焦方法.
Yao Wang1,2, Chuan Wu1, Yunlong Gao1
1Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究引入了一种新的神经网络自动对焦方法,该方法可以动态选择感兴趣的区域 (ROI),以改善光学系统的对焦. 新方法克服了传统方法的局限性,在各种场景中实现更快,更准确的自动对焦.
科学领域:
- 计算机视觉 计算机视觉
- 光学系统工程 光学系统工程
- 机器学习 机器学习
背景情况:
- 被动自动对焦方法虽然具有成本效益,但由于固定的参数而遭受着对焦故障.
- 有限的数据集阻碍了深度学习在自动对焦研究中的应用.
- 动态区域选择对于复杂光学系统中强大的自动对焦至关重要.
研究的目的:
- 开发一种基于深度学习的自动对焦方法,能够动态选择感兴趣的区域 (ROI).
- 解决光学系统中传统自动对焦技术的局限性.
- 为培训和评估自动对焦算法创建一个全面的数据集.
主要方法:
- 构建了一个灰度图像数据集,用于自动聚焦.
- 制定自动对焦作为一个顺序回归问题,使用两个策略:全搜索和单预测.
- 开发了一个MobileViT网络,包含一个线性自我注意机制,用于动态ROI自动聚焦.
主要成果:
- 实现了全搜索自动对焦的平均绝对误差 (MAE) 低至0.094.
- 在单预测自动对焦方面实现了0.142的MAE.
- 证明了27.8毫秒 (全) 和27.5毫秒 (单) 的自动对焦时间,显示了高效率.
结论:
- 拟议的神经网络自动对焦方法有效地解决了被动对焦的局限性.
- 动态ROI选择和顺序回归策略显著提高了自动对焦性能.
- 基于MobileViT的方法为光学系统中的准确和快速自动对焦提供了一个有希望的解决方案.
