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

本實驗中，作者構建了UAVDE數(shù)據(jù)集，該數(shù)據(jù)集旨在幫助研究無人機場景中的距離估計。數(shù)據(jù)集包含2815個訓練樣本、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邊界框注釋。作者使用驗證子集來進行超參數(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：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確性。

在本實現(xiàn)中，作者選擇了YOLOX-Nano作為無人機檢測器，因為它在性能和計算效率之間達到了良好的平衡。作者先在UAVDE數(shù)據(jù)集上進行預訓練，然后固定檢測器，用于生成訓練所需的位置矯正機制。為了實現(xiàn)位置矯正機制和門控模塊，作者采用了相同的多層感知器MLP-Mixer。通過利用MLP-Mixer的混合機制，作者可以捕捉生成的位置矯正機制中的內(nèi)部關系，并預測位置偏移。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。在訓練過程中，采用SGD優(yōu)化器，并配合梯度裁剪、余弦學習率調(diào)度和線性預熱等策略。通過在驗證子集上進行驗證，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。

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)典方法進行了比較。根據(jù)比較結果，作者觀察到經(jīng)典方法在無人機場景中表現(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償位置偏移帶來顯著的性能提升，達到38.84%的改進效果，這證明了作者方法的優(yōu)越性和有效性。

本文通過進行消融實驗來驗證作者提出的方法的有效性。實驗結果表明，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行多次修正后，可以進一步提升性能。對于修正階段數(shù)量的選擇，進行兩次修正可以帶來明顯的改進，進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，有助于輕量級設計。針對困難樣本，作者提出的DIC機制可以進一步改善估計性能，特別是對于距離較遠的樣本。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)部幾何模糊導致的位置偏移問題，在無人機場景中很常見。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），來明確預測圖像和目標無人機實際位置之間的偏移量。此外，作者設計了一個動態(tài)迭代校正（DIC）機制，進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。