基于卷积神经网络的单目图像深度估计研究

发布时间：2023-08-08 19:18

　　图像深度信息可用于理解图像场景几何关系,在机器人、场景理解、三维重建等领域有着重要的应用。近年来随着深度学习的快速发展,为单目图像深度估计的研究开辟了新的途径。本文基于深度学习网络开展了两个方面的单目图像的深度估计研究:1.由于单目视觉线索与深度特征之前存在着关联性,本文从图像的局部特征与全局布局两方面构建出深度卷积网络,通过引入多尺度卷积核,并增加了一定的网络深度,将多尺度映射的多尺度特征引入最终深度预测过程。实验表明,改进后的算法在深度结果图像的细节表现方面更为突出。2.本文提出了一种基于多特征融合网络的单目图像深度估计算法,算法由两个部分网络组成:特征提取网络和融合预测网络,类似于编解码器结构。其中特征提取网络通过抽取网络不同层次的图像特征,同时获取图像中的局部特征和全局布局。融合预测网络将抽取出的各层特征逐步融合,在融合的过程中引入反卷积层,使得输出预测图像的分辨率与网络输入图像相同,最终得到预测深度图像。本文使用NYU v2数据集进行仿真实验,利用平均相对误差、均方根误差和阈值准确度进行结果评估。实验表明:基于全卷积的多特征融合网络能够在减少网络参数的同时,有效提高了深度结果...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
专用术语注释表
第一章 绪论
    1.1 研究背景及研究现状
        1.1.1 研究背景
        1.1.2 国内外研究现状
    1.2 论文研究动机和目标及内容
        1.2.1 研究动机和目标
        1.2.2 研究内容
    1.3 论文的组织结构
    1.4 本章小结
第二章 单目深度恢复的基本理论与方法
    2.1 单目视觉线索和表示
        2.1.1 单目视觉线索
        2.1.2 特征表示
    2.2 单目图像深度估计算法综述
        2.2.1 基于图模型的深度图估计
        2.2.2 基于深度学习端到端的网络架构的方法
        2.2.3 联合深度学习与条件随机场的方法
        2.2.4 基于非监督学习的方法
    2.3 数据集和评价指标
    2.4 本章小结
第三章 基于多尺度卷积网络的单目深度估计
    3.1 算法架构
    3.2 全局粗尺度网络
    3.3 局部精尺度网络
    3.4 训练损失函数
    3.5 数值仿真与实验
        3.5.1 实验说明
        3.5.2 实验结果
    3.6 本章小结
第四章 基于多特征融合网络的单目深度估计
    4.1 算法架构
    4.2 基于FCN的网络架构设计
        4.2.1 全卷积网络和反卷积的基本理论
        4.2.2 网络架构模型
    4.3 算法执行过程
    4.4 数值仿真与实验
        4.4.1 实验说明
        4.4.2 实验结果
    4.5 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 工作展望
参考文献
附录1 程序清单
附录2 攻读硕士学位期间申请的专利
附录3 攻读硕士学位期间参加的科研项目
致谢



本文编号：3840333