近年來(lái),虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、無(wú)人駕駛以及服務(wù)型機(jī)器人等人工智能領(lǐng)域的快速發(fā)展,對(duì)深度視覺(jué)技術(shù)的訴求日益增強(qiáng)。傳統(tǒng)深度感知,多為硬件主動(dòng)獲取的方式,如基于光學(xué)反射或者電磁波反射原理的雷達(dá),然而這樣的硬件設(shè)備一般造價(jià)不菲,并且存在諸多限制。近幾年卷積神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展,為視覺(jué)深度技術(shù)的發(fā)展提供了一新的突破口。目前已有的研究成果可以分為有監(jiān)督和無(wú)監(jiān)督兩種方法。本文通過(guò)研究已有基于卷積神經(jīng)網(wǎng)絡(luò)的有監(jiān)督深度預(yù)測(cè)算法,發(fā)現(xiàn)已有模型的特征解析模塊仍有改進(jìn)的空間。因此,本文以提升上采樣模塊解析力為出發(fā)點(diǎn),通過(guò)增加上采樣模塊的深度和厚度來(lái)提升特征解析模塊的解析力。改進(jìn)的上采樣模塊相比于已有上采樣模塊,不僅增強(qiáng)了子特征圖中鄰域內(nèi)特征的相關(guān)性,而且在特征映射過(guò)程中將不同大小接受域內(nèi)的特征信息進(jìn)行整合,使最終深度預(yù)測(cè)結(jié)果更加接近真實(shí)深度分布。此外,為了使模型收斂到一個(gè)較好的局部最優(yōu)解,本文在模型訓(xùn)練階段添加了多分辨率損失監(jiān)督信息,使每個(gè)上采樣過(guò)程都有粗粒度與細(xì)粒度深度信息結(jié)合微調(diào)的效果,并提升了模型最終的深度預(yù)測(cè)精確度。針對(duì)已有的無(wú)監(jiān)督圖像深度預(yù)測(cè)算法,本文在模型學(xué)習(xí)階段,通過(guò)引入少量稀疏監(jiān)督信息,進(jìn)一步約束... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

全連接和局部連接對(duì)比

圖 2-2 權(quán)值共享示意圖所述，卷積神經(jīng)網(wǎng)絡(luò)相對(duì)于傳統(tǒng)神經(jīng)不僅大幅降低了網(wǎng)絡(luò)的備仿射不變性。局部感知和權(quán)值共享使得 CNN 能夠在網(wǎng)絡(luò)基礎(chǔ)的特則，網(wǎng)絡(luò)的高層作用于這些基礎(chǔ)特征并將之進(jìn)行組成圖形。即使輸入信息發(fā)生了仿射變換，也不會(huì)影響最終的識(shí)

圖 2-3 卷積神經(jīng)網(wǎng)絡(luò)示例[13]圖中卷積網(wǎng)絡(luò)工作流程如下：1）輸入層由 32×32 個(gè)敢直接點(diǎn)組成，用于接受待處理的目標(biāo)圖像。2）中間處理網(wǎng)絡(luò)由卷積和抽樣操作交替進(jìn)行，第一個(gè)隱藏層由 8 個(gè)卷積射運(yùn)算組成，每個(gè)映射接受 5×5 鄰域內(nèi)的輸入。第二個(gè)隱藏層實(shí)現(xiàn)下采樣和


本文編號(hào)：3430039