深度信息是智能系統(tǒng)實(shí)現(xiàn)場(chǎng)景理解的基礎(chǔ),單目圖像深度估計(jì)作為一個(gè)比較基礎(chǔ)的視覺任務(wù),可以為許多高級(jí)任務(wù)提供深度信息,在自動(dòng)駕駛、增強(qiáng)現(xiàn)實(shí)、虛擬現(xiàn)實(shí)等任務(wù)中有著巨大的應(yīng)用前景,可以說是一個(gè)相當(dāng)重要的研究課題。雖然現(xiàn)在已經(jīng)出現(xiàn)了一些可以用于獲取深度信息的設(shè)備,比如深度相機(jī)、激光雷達(dá),但是在室外場(chǎng)景下它們不能獲得令人滿意的深度值。相比于雙目和多目深度估計(jì)方法,單目深度估計(jì)方法獲取數(shù)據(jù)簡(jiǎn)單、成本低廉,可以得到一張全分辨率的深度圖,為深度信息的獲取提供了一條全新的研究思路。正是因?yàn)閱文繄D像深度估計(jì)方法具有重要的研究?jī)r(jià)值,本文基于深度學(xué)習(xí)方法對(duì)室外場(chǎng)景下的單目圖像深度估計(jì)進(jìn)行了研究,主要研究?jī)?nèi)容如下:1、針對(duì)室外場(chǎng)景下的單目深度估計(jì)任務(wù),在第三章中提出了一種基于編解碼結(jié)構(gòu)和分階段優(yōu)化策略設(shè)計(jì)的單目深度估計(jì)算法。這個(gè)模型由兩部分組成,第一部分選擇使用當(dāng)前最先進(jìn)的單目深度估計(jì)體系中的編解碼結(jié)構(gòu),第二部分使用CSPN作為后處理模塊,可以對(duì)第一部分產(chǎn)生的不夠細(xì)粒度的深度圖進(jìn)行優(yōu)化。雖然使用分階段策略,但是最終的模型整體上還是一個(gè)端到端結(jié)構(gòu),訓(xùn)練與測(cè)試過程并不復(fù)雜。在面向室外場(chǎng)景的公開數(shù)據(jù)集KITTI上對(duì)模型... 

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 論文研究背景及意義
    1.2 主要研究現(xiàn)狀
        1.2.1 早期的單目圖像深度估計(jì)
        1.2.2 基于深度學(xué)習(xí)方法的單目圖像深度估計(jì)
        1.2.3 面臨的問題和挑戰(zhàn)
    1.3 論文主要研究?jī)?nèi)容與創(chuàng)新點(diǎn)
    1.4 論文章節(jié)安排
第二章 預(yù)備知識(shí)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
        2.1.4 激活函數(shù)
    2.2 卷積空間傳播網(wǎng)絡(luò)
        2.2.1 各向異性擴(kuò)散濾波
        2.2.2 CSPN工作方式
    2.3 本章小結(jié)
第三章 基于編解碼結(jié)構(gòu)和后處理的單目深度估計(jì)模型
    3.1 引言
    3.2 網(wǎng)絡(luò)模型結(jié)構(gòu)及原理
        3.2.1 殘差編碼模塊
        3.2.2 上采樣模塊
        3.2.3 編解碼結(jié)構(gòu)模型的實(shí)現(xiàn)細(xì)節(jié)
        3.2.4 CSPN優(yōu)化模塊
    3.3 損失函數(shù)
    3.4 實(shí)驗(yàn)結(jié)果及分析
        3.4.1 實(shí)現(xiàn)細(xì)節(jié)
        3.4.2 評(píng)價(jià)指標(biāo)
        3.4.3 使用不同損失函數(shù)對(duì)實(shí)驗(yàn)效果的影響
        3.4.4 真實(shí)深度值采樣點(diǎn)的個(gè)數(shù)對(duì)實(shí)驗(yàn)效果的影響
        3.4.5 與其他方法的對(duì)比實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 基于特征對(duì)齊與后處理的單目深度估計(jì)模型
    4.1 引言
    4.2 網(wǎng)絡(luò)模型結(jié)構(gòu)及原理
        4.2.1 特征對(duì)齊模塊
        4.2.2 特征融合模塊
        4.2.3 后處理模塊
    4.3 實(shí)驗(yàn)結(jié)果
        4.3.1 實(shí)現(xiàn)細(xì)節(jié)
        4.3.2 幀序列中包含不同的幀數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響
        4.3.3 與其他算法的對(duì)比實(shí)驗(yàn)
        4.3.4 特征對(duì)齊模塊的有效性
    4.4 本章小結(jié)
第五章 輕量化處理后的單目深度估計(jì)模型
    5.1 引言
    5.2 輕量化FA-CSPN模型設(shè)計(jì)
        5.2.1 可分離卷積
        5.2.2 對(duì)FA-CSPN模型進(jìn)行輕量化處理
    5.3 圖像集合損失函數(shù)
    5.4 實(shí)驗(yàn)
        5.4.1 輕量化處理前后的模型對(duì)比
        5.4.2 使用不同損失函數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響
        5.4.3 使用不同的正則化系數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響
        5.4.4 與其他方法進(jìn)行比較的實(shí)驗(yàn)結(jié)果
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄


【參考文獻(xiàn)】：
期刊論文
[1]基于FFT和全連接層特征提取的軸承故障診斷（英文）[J]. 王萌,曾艷,劉金童,劉小杰,彭飛.  機(jī)床與液壓. 2020(24)
[2]改進(jìn)深度可分離卷積的SSD車型識(shí)別[J]. 郭融,王芳,劉偉.  重慶大學(xué)學(xué)報(bào). 2021(06)
[3]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)的研究綜述[J]. 羅元,王薄宇,陳旭.  半導(dǎo)體光電. 2020(01)
[4]基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)研究綜述[J]. 張琦,張榮梅,陳彬.  河北省科學(xué)院學(xué)報(bào). 2019(03)
[5]基于深度學(xué)習(xí)的圖像語(yǔ)義分割技術(shù)研究綜述[J]. 鄺輝宇,吳俊君.  計(jì)算機(jī)工程與應(yīng)用. 2019(19)
[6]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多視角人臉表情識(shí)別[J]. 錢勇生,邵潔,季欣欣,李曉瑞,莫晨,程其玉.  計(jì)算機(jī)工程與應(yīng)用. 2018(24)
[7]基于監(jiān)督學(xué)習(xí)的單幅圖像深度估計(jì)綜述[J]. 畢天騰,劉越,翁冬冬,王涌天.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(08)
[8]2維至3維圖像/視頻轉(zhuǎn)換的深度圖提取方法綜述[J]. 李可宏,姜靈敏,龔永義.  中國(guó)圖象圖形學(xué)報(bào). 2014(10)
[9]基于物體幾何性質(zhì)的單幅圖像三維重建[J]. 石仁愛,趙志剛,呂慧顯,趙毅.  青島大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(01)
[10]基于計(jì)算機(jī)視覺的深度估計(jì)方法[J]. 江靜,張雪松.  光電技術(shù)應(yīng)用. 2011(01)

碩士論文
[1]圖像的視覺顯著性分析與應(yīng)用研究[D]. 楊勝輝.海南大學(xué) 2016



本文編號(hào)：3667436