本实验中，作者构建了UAVDE数据集，该数据集旨在帮助研究无人机场景中的距离估计。数据集包含2815个训练样本、541个验证样本和539个评估样本，分辨率为1280×720。每个样本都有距离注释以及左右图像中的无人机边界框注释。作者使用验证子集来进行超参数和模型选择。为了评估距离估计的性能，作者采用了两个常用的评估指标：AbsRel和SqRel。其中，AbsRel表示绝对相对误差，SqRel表示平方相对误差。这些评估指标可以通过计算距离估计值与真实距离之间的差异来评估算法的准确性。

在本实现中，作者选择了YOLOX-Nano作为无人机检测器，因为它在性能和计算效率之间达到了良好的平衡。作者先在UAVDE数据集上进行预训练，然后固定检测器，用于生成训练所需的位置矫正机制。为了实现位置矫正机制和门控模块，作者采用了相同的多层感知器MLP-Mixer。通过利用MLP-Mixer的混合机制，作者可以捕捉生成的位置矫正机制中的内部关系，并预测位置偏移。为了提高计算效率，作者将原始的8层MLP-Mixer变体减少到2层，并避免了过拟合问题。在训练过程中，采用SGD优化器，并配合梯度裁剪、余弦学习率调度和线性预热等策略。通过在验证子集上进行验证，确定了阈值T和λ的取值，使得在困难样本上能够获得明显的改进。

在本实验中，为了展示作者提出的方法的优越性，作者与两种经典方法进行了比较。根据比较结果，作者观察到经典方法在无人机场景中表现不佳，受到位置偏移和环境干扰的影响。相比之下，基线方法展现出更好的性能，但仍然受到位置偏移问题的困扰。注释的边界框在性能上只有轻微的改善，无法解决位置偏移问题。与其他方法相比，作者的方法能够通过补偿位置偏移带来显著的性能提升，达到38.84%的改进效果，这证明了作者方法的优越性和有效性。

本文通过进行消融实验来验证作者提出的方法的有效性。实验结果表明，通过引入PCM组件可以显著改善距离估计精度，特别是解决位置偏差问题。同时，DIC组件在对困难样本进行多次修正后，可以进一步提升性能。对于修正阶段数量的选择，进行两次修正可以带来明显的改进，进一步的修正效果不明显。阈值T的选择不同范围对方法的改进均有一定影响，表明方法对T值的选择具有鲁棒性。此外，通过资源消耗分析，作者发现我们提出的PCM和门控模块在计算成本上几乎可以忽略不计，有助于轻量级设计。针对困难样本，作者提出的DIC机制可以进一步改善估计性能，特别是对于距离较远的样本。最后，通过可视化分析，作者展示了我们的方法在易样本和难样本上的修正效果，证明了其有效性。

在本文中，作者专注于无人机距离估计问题，这在实际中非常重要但却很少被研究。为了帮助研究，作者建立了一个新颖的无人机距离估计数据集，令人惊讶的是作者发现常用的立体三角化范式在无人机场景中不起作用。主要原因是图像畸变现象和立体三角化中的内部几何模糊导致的位置偏移问题，在无人机场景中很常见。为了解决这个问题，作者提出了一个新颖的位置校正模块（PCM），来明确预测图像和目标无人机实际位置之间的偏移量。此外，作者设计了一个动态迭代校正（DIC）机制，进一步改善对难样本的校正效果。大量实验证实了作者方法的有效性和优越性。

专栏文章内容及配图由作者撰写发布，仅供工程师学习之用，如有侵权或者其他违规问题，请联系本站处理。 联系我们