首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

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

论文共73页,点击 下载论文
上一篇:基于深度学习的车牌识别系统研究
下一篇:基于水声传感器网络的定位精度优化技术研究