| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的研究工作和创新之处 | 第11-12页 |
| 1.4 本文的组织结构及章节安排 | 第12-14页 |
| 第二章 基础知识 | 第14-32页 |
| 2.1 卷积神经网络 | 第14-27页 |
| 2.1.1 卷积层 | 第15-18页 |
| 2.1.2 池化层 | 第18-20页 |
| 2.1.3 激活层 | 第20-21页 |
| 2.1.4 Batch Normalization层 | 第21-22页 |
| 2.1.5 Dropout层 | 第22-23页 |
| 2.1.6 转置卷积层 | 第23-27页 |
| 2.2 生成对抗网络 | 第27-30页 |
| 2.2.1 GANs | 第27-29页 |
| 2.2.2 conditional GANs | 第29-30页 |
| 2.3 PYTORCH | 第30-32页 |
| 2.3.1 可借助GPU进行计算的库 | 第30页 |
| 2.3.2 动态神经网络:基于动态图的自动求导 | 第30-32页 |
| 第三章 单目深度估计现有算法介绍与分析 | 第32-46页 |
| 3.1 传统方法 | 第32页 |
| 3.2 全监督方法 | 第32-38页 |
| 3.3 无监督方法 | 第38-41页 |
| 3.4 半监督方法 | 第41-44页 |
| 3.5 实验 | 第44-46页 |
| 第四章 半监督对抗单目深度估计 | 第46-62页 |
| 4.1 生成器网络 | 第47-49页 |
| 4.2 判别器网络 | 第49-50页 |
| 4.3 损失函数设计 | 第50-53页 |
| 4.4 实验 | 第53-62页 |
| 4.4.1 评测指标 | 第53页 |
| 4.4.2 基线方法 | 第53-54页 |
| 4.4.3 NYU Depth v2数据集 | 第54-57页 |
| 4.4.4 Make3D数据集 | 第57-59页 |
| 4.4.5 KITTI数据集 | 第59-62页 |
| 第五章 总结与未来工作 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |