基于深度神经网络的视觉位姿估计方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 课题研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.4 本文研究工作 | 第16-17页 |
| 1.5 章节安排 | 第17-20页 |
| 第2章 相关研究介绍 | 第20-32页 |
| 2.1 深度学习简介 | 第20-25页 |
| 2.1.1 深度学习特点 | 第20-21页 |
| 2.1.2 卷积神经网络的结构 | 第21-23页 |
| 2.1.3 模型优化算法 | 第23-25页 |
| 2.1.4 卷积神经网络的训练 | 第25页 |
| 2.2 视觉SLAM技术介绍 | 第25-31页 |
| 2.2.1 经典视觉SLAM框架 | 第26页 |
| 2.2.2 位姿估计模型 | 第26-30页 |
| 2.2.3 光束平差法 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 位姿估计问题描述 | 第32-40页 |
| 3.1 问题描述 | 第32-35页 |
| 3.1.1 数学描述 | 第32-33页 |
| 3.1.2 算法框架概述 | 第33-35页 |
| 3.2 数据集及性能指标 | 第35-38页 |
| 3.2.1 数据集概述 | 第35-36页 |
| 3.2.2 数据增强 | 第36-37页 |
| 3.2.3 预处理 | 第37-38页 |
| 3.2.4 算法性能指标 | 第38页 |
| 3.3 本章小结 | 第38-40页 |
| 第4章 基于双流卷积神经网络的位姿估计方法 | 第40-56页 |
| 4.1 引言 | 第40-41页 |
| 4.2 网络模型 | 第41-47页 |
| 4.2.1 稠密光流 | 第41-42页 |
| 4.2.2 网络结构 | 第42-46页 |
| 4.2.3 网络训练 | 第46-47页 |
| 4.3 误差学习 | 第47-48页 |
| 4.4 实验及分析 | 第48-54页 |
| 4.4.1 实验基本设置 | 第48-49页 |
| 4.4.2 模型性能效果分析 | 第49-51页 |
| 4.4.3 模型性能效果对比 | 第51-53页 |
| 4.4.4 其他实验 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 基于端到端学习的位姿估计方法 | 第56-68页 |
| 5.1 引言 | 第56-57页 |
| 5.2 网络模型 | 第57-63页 |
| 5.2.1 网络结构设计 | 第58-61页 |
| 5.2.2 损失函数 | 第61-62页 |
| 5.2.3 网络训练 | 第62-63页 |
| 5.3 实验及分析 | 第63-67页 |
| 5.3.1 实验基本设置 | 第63页 |
| 5.3.2 模型预测性能分析 | 第63-66页 |
| 5.3.3 模型预测效果对比 | 第66页 |
| 5.3.4 模型耗时性能测试 | 第66-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 论文总结 | 第68-69页 |
| 6.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 在读期间发表的学术论文与取得的研究成果 | 第76页 |
