基于端到端半监督生成对抗网络的视觉里程计
摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第12-19页 |
1.1 课题研究背景 | 第12-14页 |
1.2 视觉里程计算法研究现状 | 第14-17页 |
1.2.1 单目视觉里程计 | 第14-15页 |
1.2.2 立体视觉里程计 | 第15-16页 |
1.2.3 三维视觉里程计 | 第16-17页 |
1.2.4 基于有监督学习的视觉里程计 | 第17页 |
1.3 本文的工作和创新之处 | 第17-18页 |
1.4 本文内容安排 | 第18-19页 |
第二章 SLAM相关基础工作综述 | 第19-32页 |
2.1 多视图几何技术 | 第19-25页 |
2.1.1 摄像机模型 | 第19-22页 |
2.1.2 对极几何 | 第22-23页 |
2.1.3 多视图几何中的矩阵计算 | 第23-25页 |
2.2 视觉里程计算法 | 第25-28页 |
2.2.1 特征点检测与提取 | 第26-27页 |
2.2.2 立体匹配 | 第27页 |
2.2.3 运动估计 | 第27-28页 |
2.3 后端优化与回环检测 | 第28-30页 |
2.3.1 后端优化 | 第28页 |
2.3.2 回环检测 | 第28-30页 |
2.4 地图重建算法 | 第30-31页 |
2.5 本章小结 | 第31-32页 |
第三章 基于卷积神经网络的视觉里程计算法 | 第32-47页 |
3.1 卷积神经网络的基本结构 | 第32-35页 |
3.1.1 卷积层 | 第32页 |
3.1.2 采样层 | 第32-34页 |
3.1.3 激活函数 | 第34-35页 |
3.2 深度网络训练方法 | 第35-40页 |
3.2.1 反向传播算法 | 第36页 |
3.2.2 梯度消失问题 | 第36-37页 |
3.2.3 梯度下降方式 | 第37-39页 |
3.2.4 损失函数 | 第39-40页 |
3.3 基于深度特征的姿态回归模型 | 第40-41页 |
3.3.1 位置和朝向的学习 | 第40-41页 |
3.3.2 网络结构 | 第41页 |
3.4 基于几何一致性的姿态回归模型 | 第41-43页 |
3.4.1 几何一致性作为监督 | 第42页 |
3.4.2 训练几何一致性模型 | 第42-43页 |
3.5 实验 | 第43-46页 |
3.5.1 数据集 | 第43-45页 |
3.5.2 实验结果 | 第45-46页 |
3.6 本章小结 | 第46-47页 |
第四章 基于生成对抗网络的视觉里程计 | 第47-70页 |
4.1 生成对抗网络与视觉里程计 | 第48-50页 |
4.1.1 生成对抗网络的基本结构 | 第48-49页 |
4.1.2 为何将生成对抗网络引入视觉里程计 | 第49-50页 |
4.2 特征生成网络 | 第50-53页 |
4.3 判别网络 | 第53-55页 |
4.4 对抗训练 | 第55-57页 |
4.5 解决动态场景问题 | 第57-58页 |
4.6 实验 | 第58-69页 |
4.6.1 实验数据集 | 第58页 |
4.6.2 评价方案 | 第58-60页 |
4.6.3 基线方法 | 第60-61页 |
4.6.4 参数调整 | 第61-62页 |
4.6.5 定量分析 | 第62-64页 |
4.6.6 可视化 | 第64-66页 |
4.6.7 运行空间和时间 | 第66-67页 |
4.6.8 其他 | 第67-69页 |
4.7 本章小结 | 第69-70页 |
第五章 总结与未来工作 | 第70-71页 |
参考文献 | 第71-73页 |