| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 图像深度估计传统方法研究概况 | 第12-14页 |
| 1.2.2 图像深度估计机器学习方法研究概况 | 第14-17页 |
| 1.3 图像深度估计常用数据集 | 第17-18页 |
| 1.4 本文贡献 | 第18-19页 |
| 1.5 本文结构安排 | 第19-21页 |
| 第二章 基于卷积神经网络的图像特征提取 | 第21-33页 |
| 2.1 卷积神经网络概述 | 第21-30页 |
| 2.1.1 CNN的主要构成 | 第21-27页 |
| 2.1.2 常用模型 | 第27-30页 |
| 2.2 反向传播算法 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于深度学习的单目图像深度估计 | 第33-51页 |
| 3.1 FC-DenseNet模型概述 | 第33-34页 |
| 3.2 FC-DenseNet网络结构设计 | 第34-38页 |
| 3.2.1 Dense Block模块 | 第36-37页 |
| 3.2.2 向上转换模块 | 第37页 |
| 3.2.3 具体设计过程 | 第37-38页 |
| 3.3 实验设置 | 第38-42页 |
| 3.3.1 实验环境 | 第38-39页 |
| 3.3.2 数据预处理 | 第39-40页 |
| 3.3.3 模型大小 | 第40-41页 |
| 3.3.4 参数初始化 | 第41页 |
| 3.3.5 训练 | 第41页 |
| 3.3.6 性能指标 | 第41-42页 |
| 3.4 实验结果与分析 | 第42-49页 |
| 3.4.1 目标函数的选择 | 第42-43页 |
| 3.4.2 向上-向下转换模块对数量 | 第43-44页 |
| 3.4.3 skip-connection数量 | 第44-46页 |
| 3.4.4 dropout概率 | 第46-48页 |
| 3.4.5 与主流方法比较 | 第48-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 结合近邻超像素图像块相似度的条件随机场深度优化算法 | 第51-78页 |
| 4.1 图像相似度特征提取 | 第51-57页 |
| 4.1.1 图像超像素SLIC算法 | 第52-53页 |
| 4.1.2 局部二进制模式LBP | 第53-55页 |
| 4.1.3 图像颜色差异 | 第55页 |
| 4.1.4 图像颜色直方图分布差异 | 第55-57页 |
| 4.2 NSW-CNN网络 | 第57-61页 |
| 4.2.1 图像相似度多元特征信息融合 | 第57-58页 |
| 4.2.2 NSW-CNN网络架构 | 第58-59页 |
| 4.2.3 NSW-CNN实验——算法参数调优 | 第59-61页 |
| 4.3 CRFasRNN改进模块 | 第61-73页 |
| 4.3.1 CRF应用背景 | 第61-62页 |
| 4.3.2 连续条件随机场 | 第62-65页 |
| 4.3.3 CRFasRNN模型 | 第65-69页 |
| 4.3.4 改进的CRFasRNN | 第69-71页 |
| 4.3.5 CRFasRNN实验——算法参数调优 | 第71-73页 |
| 4.4 实验结果与分析 | 第73-76页 |
| 4.4.1 与主流方法比较 | 第74-75页 |
| 4.4.2 定性分析 | 第75-76页 |
| 4.5 本章小结 | 第76-78页 |
| 第五章 总结与展望 | 第78-80页 |
| 5.1 总结 | 第78-79页 |
| 5.2 展望 | 第79-80页 |
| 参考文献 | 第80-87页 |
| 攻读硕士学位期间取得的研究成果 | 第87-88页 |
| 致谢 | 第88-89页 |
| 附件 | 第89页 |