单目图像的深度估计
| 摘要 | 第4-6页 |
| 英文摘要 | 第6-7页 |
| 缩略语表 | 第8-12页 |
| 第一章 绪论 | 第12-30页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 基于深度线索方法的研究现状 | 第14-16页 |
| 1.2.2 基于机器学习方法的研究现状 | 第16-19页 |
| 1.3 本文的研究内容和主要贡献 | 第19-21页 |
| 1.4 本文的组织结构 | 第21页 |
| 参考文献 | 第21-30页 |
| 第二章 经典的深度估计算法 | 第30-52页 |
| 2.1 深度的表示方法 | 第30-32页 |
| 2.2 基于深度线索的深度估计算法 | 第32-37页 |
| 2.2.1 基于线性透视的深度估计算法 | 第32-34页 |
| 2.2.2 基于物体运动的深度估计算法 | 第34-37页 |
| 2.3 基于图模型的深度估计算法 | 第37-42页 |
| 2.3.1 特征的表示 | 第37-38页 |
| 2.3.2 图模型的建立 | 第38-42页 |
| 2.4 基于深度信息采样的深度估计算法 | 第42-47页 |
| 2.4.1 算法基本框架 | 第42-43页 |
| 2.4.2 kNN检索 | 第43-44页 |
| 2.4.3 场景对齐 | 第44页 |
| 2.4.4 深度融合 | 第44-47页 |
| 2.5 评价标准 | 第47-48页 |
| 2.5.1 标准测试数据库 | 第47-48页 |
| 2.5.2 评测方法 | 第48页 |
| 2.6 本章小结 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 第三章 摄像机运动下的前景背景深度估计算法 | 第52-76页 |
| 3.1 引言 | 第52-53页 |
| 3.2 算法框架 | 第53-56页 |
| 3.2.1 背景深度的生成 | 第54-55页 |
| 3.2.2 摄像机的运动分析 | 第55-56页 |
| 3.2.3 基于背景建模的运动物体提取 | 第56页 |
| 3.3 改进的全局运动估计算法 | 第56-63页 |
| 3.3.1 GME模型 | 第57-58页 |
| 3.3.2 像素点的选取 | 第58-59页 |
| 3.3.3 外点去除 | 第59-61页 |
| 3.3.4 金字塔式的参数优化 | 第61-62页 |
| 3.3.5 基于GME算法的运动物体提取 | 第62-63页 |
| 3.4 深度融合 | 第63页 |
| 3.5 实验结果分析 | 第63-71页 |
| 3.5.1 改进的GME算法的性能分析 | 第63-68页 |
| 3.5.2 深度估计算法的结果分析 | 第68-71页 |
| 3.6 本章小结 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 第四章 基于度量学习的深度估计算法 | 第76-92页 |
| 4.1 引言 | 第76-77页 |
| 4.2 度量学习 | 第77-78页 |
| 4.3 基于度量学习的深度采样算法 | 第78-83页 |
| 4.3.1 三维空间里的马氏距离度量 | 第78-79页 |
| 4.3.2 损失函数的构建 | 第79-82页 |
| 4.3.3 模型的训练 | 第82-83页 |
| 4.3.4 基于马氏距离的深度采样 | 第83页 |
| 4.4 基于高斯加权的深度融合算法 | 第83-84页 |
| 4.5 实验结果分析 | 第84-89页 |
| 4.5.1 训练数据可视化 | 第84-85页 |
| 4.5.2 参数设置 | 第85页 |
| 4.5.3 马氏距离vs欧式距离 | 第85-88页 |
| 4.5.4 高斯加权融合vs能量最小融合 | 第88-89页 |
| 4.6 本章小结 | 第89-90页 |
| 参考文献 | 第90-92页 |
| 第五章 基于深度学习的场景深度估计算法 | 第92-120页 |
| 5.1 引言 | 第92-93页 |
| 5.2 深度学习 | 第93-97页 |
| 5.3 基于深度卷积神经网络的深度估计算法 | 第97-105页 |
| 5.3.1 算法框架 | 第97-98页 |
| 5.3.2 深度卷积神经网络模型 | 第98-100页 |
| 5.3.3 快速深度估计算法 | 第100-101页 |
| 5.3.4 实验结果分析 | 第101-105页 |
| 5.4 基于深度卷积条件随机场网络的深度估计算法 | 第105-115页 |
| 5.4.1 连续条件随机场模型 | 第106-108页 |
| 5.4.2 卷积条件随机场网络 | 第108-109页 |
| 5.4.3 模型的训练与预测 | 第109-112页 |
| 5.4.4 实验结果分析 | 第112-115页 |
| 5.5 本章小结 | 第115-116页 |
| 参考文献 | 第116-120页 |
| 第六章 总结与展望 | 第120-122页 |
| 6.1 本文的工作总结 | 第120-121页 |
| 6.2 未来的工作展望 | 第121-122页 |
| 致谢 | 第122-124页 |
| 攻读博士学位期间的研究成果 | 第124页 |
