通過CAD等三維制作軟件在虛擬三維空間中構(gòu)建三維數(shù)據(jù)模型是常用的三維建模方法。然而在面對(duì)數(shù)量巨大,復(fù)雜度很高的建模任務(wù)時(shí),重構(gòu)所花費(fèi)的時(shí)間、人力成本是十分巨大的�；陔p目、三目視覺的自動(dòng)建模方法雖然較好的解決了復(fù)雜建模技術(shù)人力和時(shí)間成本花費(fèi)巨大的問題,但這些方法對(duì)于設(shè)備的依賴性過高。本文研究并提出了一種基于深度學(xué)習(xí)的單目視覺三維點(diǎn)云重構(gòu)技術(shù),可以有效的降低人工建模的成本,同樣又避免了使用深度相機(jī)所需的設(shè)備成本及環(huán)境的局限性。本文首先提出了一種基于殘差網(wǎng)絡(luò)的三維點(diǎn)云重構(gòu)網(wǎng)絡(luò)3D-ReConstnet。該網(wǎng)絡(luò)使用了殘差卷積神經(jīng)網(wǎng)絡(luò)來提取圖片的特征,避免了深度神經(jīng)網(wǎng)絡(luò)容易出現(xiàn)梯度爆炸或梯度消失的問題,同時(shí)避免了深度神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練的問題。之后,本文使用Chamfer距離（Chamfer distance）和EM距離（Earth Mover’s distance）作為損失函數(shù)來優(yōu)化生成模型的效果,能夠正確評(píng)估點(diǎn)云分布,避免了評(píng)估不正確的問題。同時(shí),兩種評(píng)估函數(shù)的雙約束也可能解決重建模型過于分散或過于集中的問題。在ShapeNet和Pix3D兩個(gè)CAD三維模型數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果證明了提出的深度三... 

【文章來源】：東北電力大學(xué)吉林省

【文章頁(yè)數(shù)】：53 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１卷積核的卷積過程??如圖２－１所示，卷積核上的祌經(jīng)元僅與圖像的部分區(qū)域進(jìn)行連接，每次都可以提取一??個(gè)局部區(qū)域內(nèi)的特征信息

差。與一??般的ＣＮＮ網(wǎng)絡(luò)模型直接學(xué)習(xí)輸入輸出的映射相比，殘差網(wǎng)絡(luò)要更加容易學(xué)習(xí)、收斂速度??也更快，并且因?yàn)闅埐罹W(wǎng)絡(luò)可以有效的訓(xùn)練更深層的神經(jīng)網(wǎng)絡(luò)，該方案最終得到的結(jié)果也??會(huì)更加精確。??ｃｏｎｖ?Ｉ?＝?Ｉ?趾ｕ?Ｉ￣Ｈ?ｃｏｎｖ?Ｉ?＝?Ｉ?■?臟?Ｉ?￣￣Ｈ?Ｒａ－ｕ??（ａ）??．〇〇Ｎ＼－?？ａｔＧｈ?ＲｅＬＵ??？?ＣＯＮ＼Ｊ?？ａｔ〇ｈ?ＲｅＬＵ?——？?ＣＯＮＶ?？ａｔｃＵ?—？（??？?ＲｅＬＵ??Ｎｏｒｍ?Ｎｏｒｍ?Ｎｏｔｕ?Ｖ?Ｊ??（ｂ）??圖２－２兩種殘差塊結(jié)構(gòu)??殘差網(wǎng)絡(luò)中包含了兩種結(jié)構(gòu)的基本塊。如圖２－２（ａ）所示，當(dāng)輸入數(shù)據(jù)的維度和經(jīng)過殘??差塊進(jìn)行計(jì)算后的輸出維度相同時(shí)，網(wǎng)絡(luò)使用映射塊（Ｉｄｅｎｔｉｔｙ?Ｂｌｏｃｋ），即直接將自身的信息??傳遞給殘差塊的計(jì)算結(jié)果，并與該計(jì)算結(jié)果相加。如圖２－２（ｂ）所示，當(dāng)輸入維度和輸出維??度不一致時(shí)，兩者的通道數(shù)不同，不能直接進(jìn)行計(jì)算，快捷連接上會(huì)使用卷積塊（ｃ〇ｎｖＢ１〇ｃｋ）??來保證輸出信息的通道數(shù)與殘差塊計(jì)算結(jié)果的通道數(shù)保持一致，之后再將兩者相加。??如圖２－３所示，以一個(gè)殘差塊為例，ｘ表示輸入的數(shù)據(jù)，表示經(jīng)過殘差塊學(xué)習(xí)后的??輸出，通過快捷連接網(wǎng)絡(luò)可以將原始輸入信息直接傳遞到后層。傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)??（Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａ】?Ｎｅｔｗｏｒｋｓ，?ＣＮＮ）或全連接神經(jīng)網(wǎng)絡(luò)（Ｆｕｌｌｙ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｔｗｏｒｋｓ，??ＦＣＮ）在信息傳遞的過程中不可避免的會(huì)存在信息丟失的問題，殘差網(wǎng)絡(luò)通過直接將輸入數(shù)??據(jù)傳遞給網(wǎng)絡(luò)層輸出結(jié)果的方法可以保證信息傳遞的完整性。殘差網(wǎng)絡(luò)中一個(gè)殘差塊的最??終輸出的

?第２章三維點(diǎn)云重構(gòu)相關(guān)技術(shù)介紹???．Ｖ??ｉ???Ｗｅｉｇｈｔ?Ｌａｙｅｒ??Ｆ（ｘ）?－ｊ?Ｘ??…丨??ｉｄｅｎｔｉｔｙ??！?ｍａｐｐｉｎｇ??ｗｅｉｇｈｔ?Ｌａｙｅｒ??ｊ??ｉ??：＋????ｒ?ｆｘ）?＋?ｘ??士??圖２－３殘差塊結(jié)構(gòu)??此外，在深層神經(jīng)網(wǎng)絡(luò)中使用殘差網(wǎng)絡(luò)結(jié)構(gòu)還可以有效緩解梯度爆炸和梯度消失的問??題。相比較于直接增加網(wǎng)絡(luò)層數(shù)的框架，殘差網(wǎng)絡(luò)（Ｒｅｓｉｄｕａｌ?ｎｅｔｗｏｒｋ，?ＲｅｓＮｅｔ）中有很多跨層??連接結(jié)構(gòu)，這樣的結(jié)構(gòu)在反向傳播的過程中有著很大的優(yōu)勢(shì)。反向傳播算法是神經(jīng)網(wǎng)絡(luò)中??一項(xiàng)用于更新Ｍ絡(luò)參數(shù)的常用的技術(shù)。根據(jù)鏈?zhǔn)角髮?dǎo)法則，網(wǎng)絡(luò)會(huì)按照負(fù)梯度方向?qū)?shù)??進(jìn)行調(diào)整更新梯度信息，其本質(zhì)就是計(jì)算損失與其權(quán)重的偏導(dǎo)，當(dāng)學(xué)習(xí)率為《時(shí)，每次下??降的梯度為：??ｄＬｏｓｓ??Ａｗ?＝?－ａ??（２－２）??ｄｗ??根據(jù)鏈?zhǔn)角髮?dǎo)法則可知，當(dāng)隱藏層非常多的時(shí)候，第ｉ層的梯度更新如公式２－３所示，??其中，為第ｉ個(gè)隱藏層的輸出結(jié)果。??Ａ?ｄＬｏｓｓ?ｄＬｏｓｓ?ｄｆｎ?ｄｆ．，?ｄｆ．??ｄｆｎ?ｄｆｎ＿，?ｄｆ，?ｄｗ，??從上述公式可以發(fā)現(xiàn)，當(dāng)中間兩層的偏導(dǎo)數(shù)大于１時(shí)，隨著網(wǎng)絡(luò)層數(shù)的增多，最終的??求出的梯度更新將以指數(shù)形式增加，最終導(dǎo)致梯度爆炸。當(dāng)該值小于１時(shí)，計(jì)算的梯度更??新信息將會(huì)以指數(shù)形式衰減，最終導(dǎo)致梯度消失。??而針對(duì)殘差網(wǎng)絡(luò)而言，當(dāng)?shù)冢虃�(gè)殘差塊的輸出結(jié)果為＆時(shí)，則第Ｌ＋／個(gè)殘差塊和第??Ｌ＋２個(gè)殘差塊的結(jié)果為：??ｘｕｉ＝ｘｌ?＋?ｆ（ｘｌ＾ｗｌ）?（２－４）??ｘｉ．＋２?＝?ｘｕｉ?＋?Ｆ（ｘＬ＋ｉ＾

【參考文獻(xiàn)】：
期刊論文
[1]基于稀疏激光點(diǎn)云數(shù)據(jù)和單幀圖像融合的三維重構(gòu)算法[J]. 賀秉安,曾興,李子奇,萬生鵬.  計(jì)測(cè)技術(shù). 2017(03)
[2]基于自適應(yīng)權(quán)值濾波的深度圖像超分辨率重建[J]. 楊宇翔,曾毓,何志偉,高明煜.  中國(guó)圖象圖形學(xué)報(bào). 2014(08)
[3]基于激光與可見光同步數(shù)據(jù)的室外場(chǎng)景三維重建[J]. 張愛武,胡少興,孫衛(wèi)東,李風(fēng)亭.  電子學(xué)報(bào). 2005(05)

碩士論文
[1]腦血管點(diǎn)云三維重建及其血流動(dòng)力學(xué)分析[D]. 劉志強(qiáng).哈爾濱工業(yè)大學(xué) 2018
[2]深度圖像超分辨率重建算法研究[D]. 涂義福.合肥工業(yè)大學(xué) 2016
[3]基于TOF深度圖的超分辨率重建算法[D]. 董文菁.合肥工業(yè)大學(xué) 2015



本文編號(hào)：3419586