基于深度学习的相机相对姿态估计
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景 | 第10页 |
| 1.2 相机位姿估计相关研究 | 第10-20页 |
| 1.2.1 几何法研究进展 | 第10-12页 |
| 1.2.2 深度学习法研究进展 | 第12-20页 |
| 1.3 本文研究内容 | 第20页 |
| 1.4 本文结构安排 | 第20-22页 |
| 第二章 数据集标签生成 | 第22-36页 |
| 2.1 KITTIVO数据集 | 第22-25页 |
| 2.2 绝对姿态标签生成 | 第25-30页 |
| 2.3 相对姿态标签生成 | 第30-32页 |
| 2.4 数据标签分布 | 第32-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 基于卷积神经网络的VO方法实现 | 第36-58页 |
| 3.1 卷积神经网络 | 第36-39页 |
| 3.2 CNN-VO | 第39-43页 |
| 3.2.1 网络框架 | 第39-40页 |
| 3.2.2 卷积层 | 第40-42页 |
| 3.2.3 全连接层 | 第42页 |
| 3.2.4 误差函数及优化 | 第42-43页 |
| 3.3 CNN-VO-cons | 第43-44页 |
| 3.4 定量实验 | 第44-56页 |
| 3.4.1 训练过程 | 第44-47页 |
| 3.4.2 误差分析 | 第47-49页 |
| 3.4.3 测试过程 | 第49-51页 |
| 3.4.4 不同迭代次数下测试结果 | 第51-54页 |
| 3.4.5 不同方法的测试结果 | 第54-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 基于循环卷积神经网络的VO方法实现 | 第58-82页 |
| 4.1 循环神经网络 | 第58-63页 |
| 4.2 循环卷积神经网络 | 第63-64页 |
| 4.3 CNN-LSTM-VO | 第64-68页 |
| 4.3.1 网络框架 | 第65-67页 |
| 4.3.2 LSTM层 | 第67页 |
| 4.3.3 全连接层 | 第67页 |
| 4.3.4 误差函数及优化 | 第67-68页 |
| 4.4 CNN-LSTM-VO-cons | 第68-69页 |
| 4.5 定量实验 | 第69-75页 |
| 4.5.1 训练过程 | 第69-72页 |
| 4.5.2 测试结果 | 第72-75页 |
| 4.6 定性实验 | 第75-79页 |
| 4.6.1 训练过程 | 第75-76页 |
| 4.6.2 测试结果 | 第76-79页 |
| 4.7 本章小结 | 第79-82页 |
| 第五章 总结和展望 | 第82-84页 |
| 5.1 总结 | 第82-83页 |
| 5.2 展望 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 作者简历 | 第90页 |
