基于卷积神经网络的图像深度预测算法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及成果 | 第10-14页 |
| 1.2.1 基于深度线索的研究现状 | 第11-12页 |
| 1.2.2 基于机器学习的研究现状 | 第12-13页 |
| 1.2.3 文献综述简析 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14页 |
| 1.4 文章的组织结构安排 | 第14-16页 |
| 第2章 基于卷积神经网络的端到端框架 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 卷积神经网络理论基础 | 第16-23页 |
| 2.2.1 卷积神经网络简介 | 第16-18页 |
| 2.2.2 卷积层 | 第18-20页 |
| 2.2.3 池化层 | 第20-22页 |
| 2.2.4 激活函数 | 第22-23页 |
| 2.3 图像深度预测框架 | 第23-25页 |
| 2.3.1 端到端框架 | 第23-24页 |
| 2.3.2 迁移学习简介 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 有监督深度预测算法的研究与改进 | 第26-41页 |
| 3.1 引言 | 第26页 |
| 3.2 主流有监督图像深度预测算法 | 第26-28页 |
| 3.3 改进的有监督深度预测算法 | 第28-32页 |
| 3.3.1 改进的上采样模块 | 第29-30页 |
| 3.3.2 改进的损失函数 | 第30-32页 |
| 3.4 实验结果与分析 | 第32-40页 |
| 3.4.1 实验数据集NYU | 第32-33页 |
| 3.4.2 实验设置与实验环境 | 第33-34页 |
| 3.4.3 改进上采样模块的有效性 | 第34-36页 |
| 3.4.4 改进多损失监督的有效性 | 第36-38页 |
| 3.4.5 与其他有监督深度预测算法的对比 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 无监督深度预测算法的研究与改进 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 改进的无监督深度预测算法 | 第41-47页 |
| 4.2.1 基于视差原理的深度预测算法 | 第41-44页 |
| 4.2.2 无监督深度预测模型损失 | 第44-45页 |
| 4.2.3 提出的半监督深度预测算法 | 第45-47页 |
| 4.3 实验结果与分析 | 第47-52页 |
| 4.3.1 实验数据集KITTI | 第47-48页 |
| 4.3.2 实验设置与实验环境 | 第48-49页 |
| 4.3.3 实验结果对比分析 | 第49-51页 |
| 4.3.4 大学城场景效果展示 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61页 |
