| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 论文的研究意义 | 第14页 |
| 1.2 课题的研究现状 | 第14-17页 |
| 1.2.1 似物性采样vs滑动窗口 | 第15-16页 |
| 1.2.2 在目标识别算法中的作用 | 第16-17页 |
| 1.3 本文研究的内容 | 第17-18页 |
| 1.4 本文章节安排 | 第18-19页 |
| 第二章 相关工作介绍 | 第19-36页 |
| 2.1 引言 | 第19页 |
| 2.2 似物性采样算法的主要实现方式 | 第19-22页 |
| 2.2.1 基于窗口评分的方法 | 第20-21页 |
| 2.2.2 基于分组合并的方法 | 第21-22页 |
| 2.3 基于窗口评分的似物性采样算法 | 第22-29页 |
| 2.3.1 似物性采样算法Objectness介绍 | 第22-27页 |
| 2.3.2 似物性采样算法Bing介绍 | 第27-29页 |
| 2.4 基于分组合并的似物性采样算法(MCG) | 第29-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 一种基于RGBD的似物性采样算法 | 第36-46页 |
| 3.1 引言 | 第36页 |
| 3.2 基于RGBD的似物性采样框架 | 第36-37页 |
| 3.3 改进的RGBD边缘提取算法 | 第37-40页 |
| 3.3.1 基于深度信息的边缘特征算子 | 第37-39页 |
| 3.3.2 基于结构随机森林的RGBD图像的边缘提取 | 第39页 |
| 3.3.3 RGBD图像的边缘提取实验结果 | 第39-40页 |
| 3.4 基于图像边缘的似物性采样算法 | 第40-41页 |
| 3.5 深度图的似物性采样 | 第41-43页 |
| 3.5.1 深度对照(Depth Contrast,DC) | 第41-42页 |
| 3.5.2 深度变化对照(Gradient Contrast,GC) | 第42页 |
| 3.5.3 深度图似物性采样的参数学习和计算加速 | 第42-43页 |
| 3.6 贝叶斯框架用于RGBD似物性采样 | 第43页 |
| 3.7 实验 | 第43-45页 |
| 3.7.1 NYU Depth数据集上似物性目标的标注 | 第43页 |
| 3.7.2 不同的窗口数量极其精度 | 第43-45页 |
| 3.7.3 似物性采样单元性能对比 | 第45页 |
| 3.8 总结 | 第45-46页 |
| 第四章 基于多尺度结构学习的单幅图像深度估计 | 第46-59页 |
| 4.1 引言 | 第46-47页 |
| 4.2 基于多尺度结构森林的深度估计框架 | 第47-50页 |
| 4.2.1 两种多尺度 | 第48页 |
| 4.2.2 结构森林——随机森林的结构预测 | 第48-49页 |
| 4.2.3 带有梯度约束的深度标签离散化 | 第49-50页 |
| 4.3 基于结构森林的深度估计 | 第50-51页 |
| 4.3.1 结构森林的输入特征 | 第50-51页 |
| 4.3.2 基于袋外数据的结构森林优化 | 第51页 |
| 4.4 实验 | 第51-58页 |
| 4.4.1 实现细节 | 第52-53页 |
| 4.4.2 NYU Depth v2实验结果 | 第53页 |
| 4.4.3 Make3d实验结果 | 第53-54页 |
| 4.4.4 袋外数据对特征的评估实验 | 第54-55页 |
| 4.4.5 RGB图像的RGBD似物性采样 | 第55-58页 |
| 4.5 总结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 工作总结 | 第59页 |
| 5.2 展望未来 | 第59-61页 |
| 参考文献 | 第61-68页 |
| 攻读硕士学位期间主要科研工作及成果 | 第68-69页 |
