三維重建在醫(yī)學(xué)圖像處理、虛擬現(xiàn)實、計算機圖形學(xué)、計算機視覺、數(shù)字媒體創(chuàng)作等領(lǐng)域中扮演著重要的角色,深度圖是三維重建中重要的一部分,它決定了三維重建的準(zhǔn)確度、清晰度,故而本文主要是對場景深度進行研究。然而,相對于雙目圖像深度估計方法,單目圖像深度估計方法對相機構(gòu)造要求更低,應(yīng)用方便,單目圖像深度估計方法的難點在于,很難從單目圖像中抓取到足夠的場景結(jié)構(gòu)特征。相關(guān)研究證明,卷積神經(jīng)網(wǎng)絡(luò)非常善于處理圖像類信息,可以從圖像中學(xué)習(xí)到豐富的特征表達,因此本文結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對單目圖像進行深度估計。由于殘差網(wǎng)絡(luò)很好地解決了隨著網(wǎng)絡(luò)加深梯度消失問題,非監(jiān)督方法解決了手工數(shù)據(jù)標(biāo)注難問題,故本文采用非監(jiān)督方法結(jié)合殘差卷積神經(jīng)網(wǎng)絡(luò)給出了基于非監(jiān)督的殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計模型,簡稱URM模型。URM模型包含單目深度估計殘差卷積神經(jīng)網(wǎng)絡(luò)模型,簡稱Depth CNN模型和位姿殘差卷積神經(jīng)網(wǎng)絡(luò)模型,簡稱Pose CNN模型,Depth CNN主要是對圖像的每個像素點進行深度值估計,Pose CNN主要求得連續(xù)兩幅圖像的相機位姿轉(zhuǎn)換值。接下來,通過兩模型之間的關(guān)系建立了 URM模型的無監(jiān)督信號,然后通過無監(jiān)督信號... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 本課題研究背景
    1.2 理論意義和應(yīng)用價值
    1.3 國內(nèi)外研究現(xiàn)狀及發(fā)展趨勢
    1.4 本文研究內(nèi)容
    1.5 本文的結(jié)構(gòu)安排
2 相關(guān)知識介紹
    2.1 引言
    2.2 機器學(xué)習(xí)中的學(xué)習(xí)類別
    2.3 深度表示方法
    2.4 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
        2.4.1 卷積層
        2.4.2 池化層
        2.4.3 激活層
        2.4.4 模型參數(shù)的更新
    2.5 卷積神經(jīng)網(wǎng)絡(luò)的特征提取
    2.6 殘差卷積神經(jīng)網(wǎng)絡(luò)
    2.7 木章小結(jié)
3 基于非監(jiān)督的殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計方法
    3.1 引言
    3.2 單目深度估計殘差卷積神經(jīng)網(wǎng)絡(luò)模型
        3.2.1 單目深度估計殘差卷積神經(jīng)網(wǎng)絡(luò)模型的介紹
        3.2.2 單目深度估計殘差卷積神經(jīng)網(wǎng)絡(luò)模型框架
    3.3 位姿殘差卷積神經(jīng)網(wǎng)絡(luò)模型
        3.3.1 相機位姿估計算法
        3.3.2 位姿殘差卷積神經(jīng)網(wǎng)絡(luò)模型框架
    3.4 無監(jiān)督損失函數(shù)的構(gòu)建
        3.4.1 視圖合成
        3.4.2 損失函數(shù)的構(gòu)建
    3.5 本章小結(jié)
4 基于非監(jiān)督的條件隨機場殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計方法
    4.1 引言
    4.2 線性鏈條件隨機場模型
        4.2.1 概率無向圖模型
        4.2.2 線性鏈條件隨機場
        4.2.3 線性鏈條件隨機場的參數(shù)化形式
    4.3 基于非監(jiān)督的條件隨機場殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計模型
        4.3.1 線性鏈條件隨機場中圖像與深度之間的關(guān)系
        4.3.2 基于非監(jiān)督的條件隨機場殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計模型
    4.4 基于非監(jiān)督的條件隨機場殘差卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)的更新
    4.5 本章小結(jié)
5 模型訓(xùn)練及實驗結(jié)果分析
    5.1 引言
    5.2 實驗設(shè)置
        5.2.1 實驗環(huán)境
        5.2.2 Tensorflow框架
        5.2.3 模型參數(shù)的設(shè)置
        5.2.4 模型性能評價的方法
    5.3 場景深度估計常用的數(shù)據(jù)集
        5.3.1 KITTI數(shù)據(jù)集
        5.3.2 Make3D數(shù)據(jù)集
        5.3.3 CITYSCAPES數(shù)據(jù)集
        5.3.4 本論文真實場景中的數(shù)據(jù)集
    5.4 模型訓(xùn)練
        5.4.1 基于非監(jiān)督的殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計模型的訓(xùn)練
        5.4.2 基于非監(jiān)督的條件隨機場殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計模型的訓(xùn)練
    5.5 實驗結(jié)果與分析
        5.5.1 基于非監(jiān)督的殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計模型的實驗結(jié)果
        5.5.2 基于非監(jiān)督的條件隨機場殘差卷積神經(jīng)網(wǎng)絡(luò)場景深度估計模型的實驗結(jié)果
        5.5.3 實驗結(jié)果分析
    5.6 本章小結(jié)
結(jié)論
參考文獻
致謝
攻讀碩士學(xué)位期間的科研項目參與


【參考文獻】：
期刊論文
[1]基于深層卷積神經(jīng)網(wǎng)絡(luò)的單目紅外圖像深度估計[J]. 許路,趙海濤,孫韶媛.  光學(xué)學(xué)報. 2016(07)



本文編號：3049760