基于卷积神经网络的单目深度估计和深度补全研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-22页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外发展现状 | 第14-19页 |
| 1.2.1 单目深度估计 | 第14-17页 |
| 1.2.2 深度补全 | 第17-19页 |
| 1.3 本文主要内容 | 第19-20页 |
| 1.4 论文章节安排 | 第20-22页 |
| 第2章 基于不确定性的单目深度估计算法 | 第22-50页 |
| 2.1 神经网络结构 | 第22-31页 |
| 2.1.1 扩张残差编码器 | 第23-27页 |
| 2.1.2 残差解码模块 | 第27-31页 |
| 2.2 神经网络不确定性 | 第31-35页 |
| 2.2.1 模型不确定性 | 第31-32页 |
| 2.2.2 随机不确定性 | 第32-33页 |
| 2.2.3 不确定性损失函数 | 第33-35页 |
| 2.3 实验结果与分析 | 第35-49页 |
| 2.3.1 训练参数设置 | 第35页 |
| 2.3.2 数据集介绍和处理 | 第35-37页 |
| 2.3.3 性能评判标准 | 第37-38页 |
| 2.3.4 不同网络结构效果对比实验 | 第38-41页 |
| 2.3.5 不同损失函数效果对比实验 | 第41-43页 |
| 2.3.6 与其他算法的对比 | 第43-49页 |
| 2.4 本章小结 | 第49-50页 |
| 第3章 基于半监督学习的深度补全算法 | 第50-61页 |
| 3.1 半监督学习框架和网络结构 | 第51-53页 |
| 3.2 半监督损失函数 | 第53-55页 |
| 3.2.1 不确定性深度损失函数 | 第54页 |
| 3.2.2 图像对齐损失函数 | 第54-55页 |
| 3.2.3 空间平滑损失函数 | 第55页 |
| 3.3 实验结果与分析 | 第55-59页 |
| 3.3.1 训练参数设置 | 第56页 |
| 3.3.2 深度补全数据集 | 第56页 |
| 3.3.3 数据融合方式实验 | 第56-58页 |
| 3.3.4 与其他算法的对比 | 第58-59页 |
| 3.4 本章小结 | 第59-61页 |
| 第4章 基于CNN预测深度的单目稠密重建系统 | 第61-70页 |
| 4.1 单目稠密重建系统 | 第61-64页 |
| 4.2 深度融合和点云更新 | 第64-66页 |
| 4.2.1 深度融合 | 第64-65页 |
| 4.2.2 点云更新 | 第65-66页 |
| 4.3 实验结果与分析 | 第66-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第5章 总结与展望 | 第70-72页 |
| 参考文献 | 第72-79页 |
| 个人简历、攻读硕士学位期间主要的学术成果 | 第79页 |
