| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 单幅图像深度估计研究现状 | 第9-11页 |
| 1.2.1 基于传统方法的深度估计研究现状 | 第10页 |
| 1.2.2 基于机器学习的深度估计研究现状 | 第10-11页 |
| 1.3 本文主要研究内容及结构安排 | 第11-13页 |
| 2 理论基础和评价标准 | 第13-31页 |
| 2.1 引言 | 第13页 |
| 2.2 深度表示方法 | 第13-14页 |
| 2.3 算法理论基础 | 第14-27页 |
| 2.3.1 卷积神经网络 | 第14-19页 |
| 2.3.2 条件随机场 | 第19-24页 |
| 2.3.3 迁移学习 | 第24-27页 |
| 2.4 深度估计的目的及评价标准 | 第27-30页 |
| 2.4.1 深度估计目的 | 第27-28页 |
| 2.4.2 标准测试数据集 | 第28-29页 |
| 2.4.3 性能评价方法 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3. 基于卷积神经网络的室内单幅图像深度估计 | 第31-55页 |
| 3.1 引言 | 第31页 |
| 3.2 深度学习框架介绍 | 第31-32页 |
| 3.3 基于卷积神经网络的室内图像深度估计算法框架 | 第32-34页 |
| 3.4 图像预处理 | 第34-35页 |
| 3.5 一元项具体实现 | 第35-42页 |
| 3.5.1 全卷积神经网络结构 | 第35-41页 |
| 3.5.2 超像素池化 | 第41-42页 |
| 3.6 二元项具体实现 | 第42-46页 |
| 3.6.1 超像素块特征提取 | 第42-46页 |
| 3.6.2 邻域超像素块相似性 | 第46页 |
| 3.7 CRF损失项设计及网络训练 | 第46-50页 |
| 3.7.1 CRF损失函数 | 第46-47页 |
| 3.7.2 网络训练 | 第47-49页 |
| 3.7.3 网络优化 | 第49-50页 |
| 3.8 实验结果及分析 | 第50-52页 |
| 3.8.1 实验装置及平台介绍 | 第50页 |
| 3.8.2 标准数据集作为输入主观实验结果 | 第50-51页 |
| 3.8.3 标准数据集作为输入客观评估标准 | 第51-52页 |
| 3.8.4 实验结果分析 | 第52页 |
| 3.9 实际拍摄室内图像深度估计结果与分析 | 第52-54页 |
| 3.10 本章小结 | 第54-55页 |
| 4. 基于迁移学习的室外单幅图像深度估计 | 第55-65页 |
| 4.1 引言 | 第55页 |
| 4.2 基于迁移学习的室外单幅图像深度估计 | 第55-57页 |
| 4.3 实验结果及分析 | 第57-61页 |
| 4.3.1 实验装置及平台 | 第57页 |
| 4.3.2 标准数据集作为输入主观实验结果 | 第57-59页 |
| 4.3.3 标准数据集作为输入客观评估标准 | 第59-61页 |
| 4.3.4 实验结果分析 | 第61页 |
| 4.4 实际拍摄室外图像深度估计结果及分析 | 第61-63页 |
| 4.5 本章小结 | 第63-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 在校学习期间发表的论文 | 第75页 |