基于卷积神经网络的图像深度预测算法的研究

发布时间：2021-10-11 07:12

　　近年来,虚拟现实、增强现实、无人驾驶以及服务型机器人等人工智能领域的快速发展,对深度视觉技术的诉求日益增强。传统深度感知,多为硬件主动获取的方式,如基于光学反射或者电磁波反射原理的雷达,然而这样的硬件设备一般造价不菲,并且存在诸多限制。近几年卷积神经网络的迅速发展,为视觉深度技术的发展提供了一新的突破口。目前已有的研究成果可以分为有监督和无监督两种方法。本文通过研究已有基于卷积神经网络的有监督深度预测算法,发现已有模型的特征解析模块仍有改进的空间。因此,本文以提升上采样模块解析力为出发点,通过增加上采样模块的深度和厚度来提升特征解析模块的解析力。改进的上采样模块相比于已有上采样模块,不仅增强了子特征图中邻域内特征的相关性,而且在特征映射过程中将不同大小接受域内的特征信息进行整合,使最终深度预测结果更加接近真实深度分布。此外,为了使模型收敛到一个较好的局部最优解,本文在模型训练阶段添加了多分辨率损失监督信息,使每个上采样过程都有粗粒度与细粒度深度信息结合微调的效果,并提升了模型最终的深度预测精确度。针对已有的无监督图像深度预测算法,本文在模型学习阶段,通过引入少量稀疏监督信息,进一步约束... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

全连接和局部连接对比

图 2-2 权值共享示意图所述，卷积神经网络相对于传统神经不仅大幅降低了网络的备仿射不变性。局部感知和权值共享使得 CNN 能够在网络基础的特则，网络的高层作用于这些基础特征并将之进行组成图形。即使输入信息发生了仿射变换，也不会影响最终的识

图 2-3 卷积神经网络示例[13]图中卷积网络工作流程如下：1）输入层由 32×32 个敢直接点组成，用于接受待处理的目标图像。2）中间处理网络由卷积和抽样操作交替进行，第一个隐藏层由 8 个卷积射运算组成，每个映射接受 5×5 邻域内的输入。第二个隐藏层实现下采样和


本文编号：3430039