發(fā)布時間：2022-02-14 22:05

　　深度圖片是表示場景中物體的深度信息的圖片,場景中的深度信息在目標識別、場景識別、語義分割、物體追蹤、場景理解等多種視覺任務中都有很重要的作用。傳統(tǒng)的深度圖像的生成通過傳感器發(fā)射并接收物體反射回來的探測光的方法獲取場景中的物體的深度信息,如TOF相機、利用結構光來獲取深度信息的Kinect相機、以及用激光雷達掃描獲得場景中深度信息的方法。但是傳統(tǒng)的深度圖片的獲取受設備影響因素較大,獲取難度大,且受場景中特定物體的影響會出現(xiàn)部分深度信息缺失的現(xiàn)象。在利用神經網絡生成深度圖像方面,國內外也有較多的研究,其方法主要分為兩種,分別為通過單目圖片來生成深度圖片和雙目圖片來生成深度圖片。通過雙目圖片的匹配可以較為容易的獲得場景中的深度信息,因此在利用雙目圖片生成深度圖片方面有較多的研究,而在利用單目圖片生成深度圖片方面的研究較為少。本文針對單目圖片生成深度圖片的問題,提出了GAN網絡的模型的解決方案,在生成模型中,采用卷積層和卷積層下采樣的結構提取深度特征,之后采用pixel shuffle上采樣和卷積層的結構將提取到的深度特征還原為深度圖像。在判別模型中,采用卷積層和下采樣的結構對判別網絡的輸入進... 

【文章來源】：大連理工大學遼寧省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 深度圖像
    1.2 深度圖像的獲取
    1.3 神經網絡生成深度圖像的研究現(xiàn)狀
    1.4 本文主要架構
2 感知機和神經網絡
    2.1 感知機
    2.2 多層感知機
    2.3 激活函數(shù)
    2.4 批量學習和反向傳播算法
    2.5 深度學習的優(yōu)化方法
    2.6 損失函數(shù)
    2.7 正則化
    2.8 本章小結
3 判別網絡和生成網絡結構的設計
    3.1 卷積神經網絡
        3.1.1 卷積層
        3.1.2 池化層
        3.1.3 Dropout和 Batch Normalization
        3.1.4 激勵層和全連接層
        3.1.5 經典卷積神經網絡和全連接層的局限性
    3.2 全卷積判別網絡結構設計
        3.2.1 全卷積神經網絡
        3.2.2 下采樣的必要性和DCGAN中的下采樣
        3.2.3 全卷積判別網絡
    3.3 生成網絡網絡結構設計
        3.3.1 Encoder-Decoder結構
        3.3.2 上采樣
        3.3.3 SRGAN和SRGAN的上采樣分析
        3.3.4 生成網絡結構
    3.4 本章小結
4 基于GAN網絡的深度圖像生成算法
    4.1 生成對抗網絡
        4.1.1 基于傳統(tǒng)GAN網絡的單目深度圖像的生成
    4.2 基于GAN網絡的全卷積單目深度圖像的生成算法
        4.2.1 二維標簽
        4.2.2 網絡算法流程
        4.2.3 損失函數(shù)
    4.3 本章小結
5 網絡訓練和結果
    5.1 實驗數(shù)據(jù)集
    5.2 實驗數(shù)據(jù)設置
    5.3 實驗結果
結論
參考文獻
攻讀碩士學位期間發(fā)表學術論文情況
致謝


【參考文獻】：
期刊論文
[1]基于深度圖像的室內機器人避障系統(tǒng)[J]. 馬利紅,范晨光,王書平,周武.  浙江師范大學學報(自然科學版). 2016(03)

碩士論文
[1]基于固定雙目視覺的移動機器人避障方法研究[D]. 馬莉.蘭州理工大學 2013



本文編號：3625351