| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 传统单目深度恢复方法 | 第12-14页 |
| 1.2.2 基于深度学习的单目图像深度恢复方法 | 第14-16页 |
| 1.3 本文主要内容和论文架构 | 第16-18页 |
| 第2章 理论基础 | 第18-34页 |
| 2.1 引言 | 第18页 |
| 2.2 深度信息表示方法 | 第18-21页 |
| 2.2.1 绝对深度信息 | 第19-20页 |
| 2.2.2 相对深度信息 | 第20-21页 |
| 2.3 深度学习基本理论 | 第21页 |
| 2.4 神经网络 | 第21-31页 |
| 2.4.1 神经网络模型 | 第21-23页 |
| 2.4.2 卷积神经网络 | 第23-29页 |
| 2.4.3 卷积神经网络训练方法 | 第29-31页 |
| 2.5 深度学习框架介绍 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于改进DenseNet的单目图像深度恢复 | 第34-55页 |
| 3.1 引言 | 第34-35页 |
| 3.2 网络模型 | 第35-50页 |
| 3.2.1 模型概述 | 第35-36页 |
| 3.2.2 图像预处理模块 | 第36页 |
| 3.2.3 多尺度网络结构 | 第36-38页 |
| 3.2.4 改进DenseNet模块 | 第38-43页 |
| 3.2.5 上采样模块 | 第43-46页 |
| 3.2.6 损失函数 | 第46-48页 |
| 3.2.7 降低过拟合 | 第48-50页 |
| 3.3 实验设置与结果 | 第50-54页 |
| 3.3.1 常用数据集 | 第50-51页 |
| 3.3.2 实验设置 | 第51页 |
| 3.3.3 评价指标 | 第51-52页 |
| 3.3.4 实验结果 | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 第4章 基于嵌入式的模型移植 | 第55-60页 |
| 4.1 引言 | 第55页 |
| 4.2 树莓派简介 | 第55-56页 |
| 4.3 树莓派基础环境搭建 | 第56-57页 |
| 4.4 TensorFlow环境搭建 | 第57-58页 |
| 4.5 模型移植 | 第58-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间参加的科研项目和成果 | 第66页 |