三維重建在醫(yī)學(xué)圖像處理、虛擬現(xiàn)實(shí)、計(jì)算機(jī)圖形學(xué)、計(jì)算機(jī)視覺(jué)、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(duì)場(chǎng)景深度進(jìn)行研究。然而,相對(duì)于雙目圖像深度估計(jì)方法,單目圖像深度估計(jì)方法對(duì)相機(jī)構(gòu)造要求更低,應(yīng)用方便,單目圖像深度估計(jì)方法的難點(diǎn)在于,很難從單目圖像中抓取到足夠的場(chǎng)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(dá),因此本文結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對(duì)單目圖像進(jìn)行深度估計(jì)。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(wèn)題,非監(jiān)督方法解決了手工數(shù)據(jù)標(biāo)注難問(wèn)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(chǎng)景深度估計(jì)模型,簡(jiǎn)稱URM模型。URM模型包含單目深度估計(jì)殘差卷積神經(jīng)網(wǎng)絡(luò)模型,簡(jiǎn)稱Depth CNN模型和位姿殘差卷積神經(jīng)網(wǎng)絡(luò)模型,簡(jiǎn)稱Pose CNN模型,Depth CNN主要是對(duì)圖像的每個(gè)像素點(diǎn)進(jìn)行深度值估計(jì),Pose CNN主要求得連續(xù)兩幅圖像的相機(jī)位姿轉(zhuǎn)換值。接下來(lái),通過(guò)兩模型之間的關(guān)系建立了 URM模型的無(wú)監(jiān)督信號(hào),然后通過(guò)無(wú)監(jiān)督信號(hào)... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)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(jià)值
    1.3 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)
    1.4 本文研究?jī)?nèi)容
    1.5 本文的結(jié)構(gòu)安排
2 相關(guān)知識(shí)介紹
    2.1 引言
    2.2 機(jī)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(chǎng)景深度估計(jì)方法
    3.1 引言
    3.2 單目深度估計(jì)殘差卷積神經(jīng)網(wǎng)絡(luò)模型
        3.2.1 單目深度估計(jì)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(jì)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(jī)位姿估計(jì)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(wú)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(jī)場(chǎng)殘差卷積神經(jīng)網(wǎng)絡(luò)場(chǎng)景深度估計(jì)方法
    4.1 引言
    4.2 線性鏈條件隨機(jī)場(chǎng)模型
        4.2.1 概率無(wú)向圖模型
        4.2.2 線性鏈條件隨機(jī)場(chǎng)
        4.2.3 線性鏈條件隨機(jī)場(chǎng)的參數(shù)化形式
    4.3 基于非監(jiān)督的條件隨機(jī)場(chǎng)殘差卷積神經(jīng)網(wǎng)絡(luò)場(chǎng)景深度估計(jì)模型
        4.3.1 線性鏈條件隨機(jī)場(chǎng)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(jī)場(chǎng)殘差卷積神經(jīng)網(wǎng)絡(luò)場(chǎng)景深度估計(jì)模型
    4.4 基于非監(jiān)督的條件隨機(jī)場(chǎng)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(shí)驗(yàn)結(jié)果分析
    5.1 引言
    5.2 實(shí)驗(yàn)設(shè)置
        5.2.1 實(shí)驗(yàn)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(píng)價(jià)的方法
    5.3 場(chǎng)景深度估計(jì)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(shí)場(chǎng)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(chǎng)景深度估計(jì)模型的訓(xùn)練
        5.4.2 基于非監(jiān)督的條件隨機(jī)場(chǎng)殘差卷積神經(jīng)網(wǎng)絡(luò)場(chǎng)景深度估計(jì)模型的訓(xùn)練
    5.5 實(shí)驗(yàn)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(chǎng)景深度估計(jì)模型的實(shí)驗(yàn)結(jié)果
        5.5.2 基于非監(jiān)督的條件隨機(jī)場(chǎng)殘差卷積神經(jīng)網(wǎng)絡(luò)場(chǎng)景深度估計(jì)模型的實(shí)驗(yàn)結(jié)果
        5.5.3 實(shí)驗(yàn)結(jié)果分析
    5.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的科研項(xiàng)目參與


【參考文獻(xiàn)】：
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(jì)[J]. 許路,趙海濤,孫韶媛.  光學(xué)學(xué)報(bào). 2016(07)



本文編號(hào)：3049760