深度估计在很久之前就在计算机视觉中得到很大的关注,到目前为止仍旧是一个有待继续研究的课题,因为深度估计不同于其他的计算机视觉算法,比如目标检测,人脸识别等,只需处理图像中的二维信息。目前完成深度估计这一任务有很多方法,本文中利用无监督的端到端的神经网络,通过对左右视图的视差进行训练,最终的模型通过一张图即可得到该图的深度图像。本文中创新性地提出将语义分割模型与深度估计算法相结合,有效提高了模型准确性。该模型分为编码器解码器两部分,编码器借助空洞卷积进行特征提取,增加感受野,同时较少地对图像进行下采样,使生成的深度图更加清晰并且准确。本文主要工作和创新性成果如下:(1)运用双目立体匹配算法原理设计单目深度估计模型,并尝试使用不同感受野大小的卷积核进行特征提取的模型。在文章第四部分使用Deep Lab模型提取特征,借助空洞卷积增大感受野优化深度估计。实验证明使用空洞卷积可以更有效地提取图像显著性特征,从而提高实验效果。(2)第五部分创新性地使用Dense Net密集连接模型,搭载感受野更大的空洞卷积,并且避免过度下采样。这种方法能够通过密集连接特征的反复使用的特点,得到更好的结果。解码器阶段通过反卷积与上采样,恢复图像尺寸并且与编码器阶段提取到的底层特征进行跳跃连接,目的是减少图像的信息缺失,能使生成的深度图更加完整清晰。训练过程中使用KITTI与City Scape数据集无标注的数据,进行无监督的端到端训练,使用和现有算法相同的评估标准,取得了当前最优的结果。