单幅图像深度估计的弱监督学习方法
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.3 本文的组织结构 | 第12-13页 |
| 第二章 神经网络 | 第13-19页 |
| 2.1 多层感知机 | 第13-14页 |
| 2.2 网络结构的变化 | 第14-17页 |
| 2.2.1 加宽对比加深 | 第14页 |
| 2.2.2 跨层连接 | 第14-16页 |
| 2.2.3 结构稀疏化 | 第16-17页 |
| 2.3 BP算法 | 第17-19页 |
| 第三章 深度学习 | 第19-34页 |
| 3.1 激活函数 | 第19-23页 |
| 3.1.1 阶跃函数 | 第19页 |
| 3.1.2 S形函数 | 第19-21页 |
| 3.1.3 ReLU函数及其扩展 | 第21-23页 |
| 3.2 正则化技巧 | 第23-27页 |
| 3.2.1 引入正则项 | 第23页 |
| 3.2.2 数据集增强 | 第23-25页 |
| 3.2.3 引入随机噪声 | 第25页 |
| 3.2.4 提前停止训练 | 第25-26页 |
| 3.2.5 Bagging集成思路 | 第26-27页 |
| 3.2.6 多任务学习 | 第27页 |
| 3.3 优化算法 | 第27-29页 |
| 3.3.1 传统优化算法弊端 | 第27-28页 |
| 3.3.2 优化算法的改进 | 第28页 |
| 3.3.3 优化算法的展望 | 第28-29页 |
| 3.4 卷积神经网络 | 第29-34页 |
| 3.4.1 卷积运算 | 第29-30页 |
| 3.4.2 池化运算 | 第30-31页 |
| 3.4.3 基础模型 | 第31页 |
| 3.4.4 初始化方式及调参技巧 | 第31-34页 |
| 第四章 深度估计及算法改进 | 第34-40页 |
| 4.1 深度估计难点 | 第34-35页 |
| 4.1.1 尺度歧义 | 第34页 |
| 4.1.2 数据集约束 | 第34页 |
| 4.1.3 网络时效性 | 第34-35页 |
| 4.2 深度估计前沿工作 | 第35-36页 |
| 4.3 深度估计算法改进 | 第36-39页 |
| 4.3.1 引入尺度不变性 | 第36-37页 |
| 4.3.2 弱监督学习方法 | 第37-38页 |
| 4.3.3 多分辨率学习网络 | 第38-39页 |
| 4.4 实验结果 | 第39-40页 |
| 第五章 结论 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 致谢 | 第44页 |
