基于光流与深度学习的视觉里程计方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景与意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-14页 |
| 1.3.1 光流技术发展 | 第11-12页 |
| 1.3.2 视觉里程计研究现状 | 第12-14页 |
| 1.4 论文研究内容与组织结构 | 第14-16页 |
| 第2章 基于光流与深度学习的视觉里程计设计 | 第16-27页 |
| 2.1 总体设计思路 | 第16-20页 |
| 2.2 相机运动描述 | 第20-22页 |
| 2.3 数据来源 | 第22-23页 |
| 2.4 标记数据与光流图提取 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于深度学习的视觉里程计算法 | 第27-43页 |
| 3.1 引言 | 第27-30页 |
| 3.2 算法设计 | 第30-37页 |
| 3.2.1 数据预处理 | 第30-31页 |
| 3.2.2 网络结构 | 第31-33页 |
| 3.2.3 网络参数选择 | 第33-36页 |
| 3.2.4 网络训练与测试 | 第36-37页 |
| 3.3 实验与分析 | 第37-42页 |
| 3.3.1 评价指标 | 第37-38页 |
| 3.3.2 运行环境 | 第38-39页 |
| 3.3.3 实验结果与结果分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于自编码器的改进里程计算法 | 第43-61页 |
| 4.1 计算光流子空间的自编码器算法 | 第43-48页 |
| 4.1.1 自编码器网络 | 第43-46页 |
| 4.1.2 光流子空间概述 | 第46页 |
| 4.1.3 光流子空间学习算法设计 | 第46-48页 |
| 4.2 基于自编码器的视觉里程计算法 | 第48-53页 |
| 4.2.1 网络结构 | 第48-49页 |
| 4.2.2 网络参数选择 | 第49-52页 |
| 4.2.3 网络训练与测试 | 第52-53页 |
| 4.3 实验结果与分析 | 第53-60页 |
| 4.3.1 实验设计 | 第53页 |
| 4.3.2 实验结果 | 第53-55页 |
| 4.3.3 普适性验证 | 第55-57页 |
| 4.3.4 鲁棒性验证 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 全文工作总结 | 第61-62页 |
| 5.2 下一步工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间的科研成果 | 第69页 |
