基于深度卷积神经网络的三维运动目标重构关键技术研究

发布时间：2022-10-10 10:49

　　与其他人类感知相比,视觉是最可靠的信息来源,而人类通过视觉接收的信息占人类获取信息总和的四分之三以上,所以视觉信息对于人类十分关键。图像去模糊与三维重建具有广泛的应用领域,近年来已经成为国内外图像界与三维界研究的热点问题之一。针对于图像去模糊问题,本文建立了一种去噪先验驱动的图像去模糊深度网络,以结合利用基于优化和基于判别学习图像去模糊方法的各自优点。首先,建立了一种基于去噪的图像去模糊方法,其迭代过程可以高效进行,然后将迭代过程展开到前馈神经网络中,该神经网络的网络层模拟了本文建立的基于去噪的图像去模糊算法的流程。此外,建立了一种可以利用多尺度冗余的高效CNN降噪器,并将其插入到深度网络中,通过端到端训练,可以联合优化CNN降噪器和其他网络参数。实验结果表明,所建立的方法在图像去模糊的性能表现上非常有竞争力。针对三维重建问题,受长期短期记忆网络的成功以及使用卷积神经网络的单视图三维重建最新进展的启发,本文建立了一种基于形状先验的架构,称之为三维递归重建神经网络。基于形状先验的方法可以使用更少的图像,并且对物体反射函数具有更少的假设。该架构以标准的LSTM和GRU为基础,并由三个部分组... 

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景及意义
    1.2 图像复原研究现状及分析
        1.2.1 基于模型的图像复原方法
        1.2.2 基于学习的图像复原方法
        1.2.3 基于去噪的图像去模糊方法
    1.3 三维重建研究现状及分析
    1.4 本文的研究内容及章节安排
第2章 相关理论与技术
    2.1 图像模糊过程
    2.2 图像序列产生过程
        2.2.1 针孔相机模型
        2.2.2 图像投影
        2.2.3 反投影
        2.2.4 空间平面与单应变换
    2.3 卷积神经网络
        2.3.1 卷积层
        2.3.2 池化层
        2.3.3 全连接层
        2.3.4 训练神经网络
    2.4 本章小结
第3章 基于CNN降噪器先验的图像去模糊
    3.1 基于去噪的图像去模糊算法
        3.1.1 算法设计
        3.1.2 算法收敛性分析
    3.2 CNN设计和训练的关键技术
        3.2.1 ReLU
        3.2.2 膨胀卷积扩大感受野
        3.2.3 加速训练过程的设计方法
    3.3 降噪器先验驱动的去模糊深度神经网络
        3.3.1 去模糊算法的深度网络结构
        3.3.2 CNN降噪器的网络结构设计
    3.4 实验结果与分析
        3.4.1 网络训练与参数设置
        3.4.2 基于CNN降噪器先验的去模糊实验
    3.5 本章小结
第4章 基于深度CNN的三维体素重建
    4.1 递归神经网络
        4.1.1 长短期记忆单元
        4.1.2 门递归单元
    4.2 三维递归重建神经网络架构
        4.2.1 编码器:二维卷积神经网络
        4.2.2 递归:三维卷积长短期记忆网络
        4.2.3 解码器:三维反卷积神经网络
    4.3 实验结果与分析
        4.3.1 设置
        4.3.2 网络结构对比
        4.3.3 单视图与多视图重建评估
    4.4 本章小结
第5章 总结
参考文献
攻读硕士学位期间发表的论文
致谢



本文编号：3689484