基于非监督的卷积神经网络单目场景深度估计方法研究

发布时间：2021-02-24 18:14

　　三维重建在医学图像处理、虚拟现实、计算机图形学、计算机视觉、数字媒体创作等领域中扮演着重要的角色,深度图是三维重建中重要的一部分,它决定了三维重建的准确度、清晰度,故而本文主要是对场景深度进行研究。然而,相对于双目图像深度估计方法,单目图像深度估计方法对相机构造要求更低,应用方便,单目图像深度估计方法的难点在于,很难从单目图像中抓取到足够的场景结构特征。相关研究证明,卷积神经网络非常善于处理图像类信息,可以从图像中学习到丰富的特征表达,因此本文结合卷积神经网络对单目图像进行深度估计。由于残差网络很好地解决了随着网络加深梯度消失问题,非监督方法解决了手工数据标注难问题,故本文采用非监督方法结合残差卷积神经网络给出了基于非监督的残差卷积神经网络场景深度估计模型,简称URM模型。URM模型包含单目深度估计残差卷积神经网络模型,简称Depth CNN模型和位姿残差卷积神经网络模型,简称Pose CNN模型,Depth CNN主要是对图像的每个像素点进行深度值估计,Pose CNN主要求得连续两幅图像的相机位姿转换值。接下来,通过两模型之间的关系建立了 URM模型的无监督信号,然后通过无监督信号... 

【文章来源】：大连海事大学辽宁省 211工程院校

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 本课题研究背景
    1.2 理论意义和应用价值
    1.3 国内外研究现状及发展趋势
    1.4 本文研究内容
    1.5 本文的结构安排
2 相关知识介绍
    2.1 引言
    2.2 机器学习中的学习类别
    2.3 深度表示方法
    2.4 卷积神经网络架构
        2.4.1 卷积层
        2.4.2 池化层
        2.4.3 激活层
        2.4.4 模型参数的更新
    2.5 卷积神经网络的特征提取
    2.6 残差卷积神经网络
    2.7 木章小结
3 基于非监督的残差卷积神经网络场景深度估计方法
    3.1 引言
    3.2 单目深度估计残差卷积神经网络模型
        3.2.1 单目深度估计残差卷积神经网络模型的介绍
        3.2.2 单目深度估计残差卷积神经网络模型框架
    3.3 位姿残差卷积神经网络模型
        3.3.1 相机位姿估计算法
        3.3.2 位姿残差卷积神经网络模型框架
    3.4 无监督损失函数的构建
        3.4.1 视图合成
        3.4.2 损失函数的构建
    3.5 本章小结
4 基于非监督的条件随机场残差卷积神经网络场景深度估计方法
    4.1 引言
    4.2 线性链条件随机场模型
        4.2.1 概率无向图模型
        4.2.2 线性链条件随机场
        4.2.3 线性链条件随机场的参数化形式
    4.3 基于非监督的条件随机场残差卷积神经网络场景深度估计模型
        4.3.1 线性链条件随机场中图像与深度之间的关系
        4.3.2 基于非监督的条件随机场残差卷积神经网络场景深度估计模型
    4.4 基于非监督的条件随机场残差卷积神经网络模型参数的更新
    4.5 本章小结
5 模型训练及实验结果分析
    5.1 引言
    5.2 实验设置
        5.2.1 实验环境
        5.2.2 Tensorflow框架
        5.2.3 模型参数的设置
        5.2.4 模型性能评价的方法
    5.3 场景深度估计常用的数据集
        5.3.1 KITTI数据集
        5.3.2 Make3D数据集
        5.3.3 CITYSCAPES数据集
        5.3.4 本论文真实场景中的数据集
    5.4 模型训练
        5.4.1 基于非监督的残差卷积神经网络场景深度估计模型的训练
        5.4.2 基于非监督的条件随机场残差卷积神经网络场景深度估计模型的训练
    5.5 实验结果与分析
        5.5.1 基于非监督的残差卷积神经网络场景深度估计模型的实验结果
        5.5.2 基于非监督的条件随机场残差卷积神经网络场景深度估计模型的实验结果
        5.5.3 实验结果分析
    5.6 本章小结
结论
参考文献
致谢
攻读硕士学位期间的科研项目参与


【参考文献】：
期刊论文
[1]基于深层卷积神经网络的单目红外图像深度估计[J]. 许路,赵海涛,孙韶媛.  光学学报. 2016(07)



本文编号：3049760