基于残差稠密网络的单幅图像深度估计方法研究

发布时间：2020-12-27 08:35

　　图像的深度估计一直是计算机视觉领域中一个重要的问题。在智能机器人、语义理解、3D场景重构和自动驾驶等方面都有着极其重要的应用。其中,从单幅图像中获取深度信息最为困难,因为不同的三维场景可以形成相似的二维图像,人类可以根据丰富的先验知识准确地判断单幅图像的深度信息,但是这对于计算机来说是很困难的。近年来,神经网络被越来越多地应用于单幅图像深度估计领域,学者们提出了大量基于神经网络的方法。相较于传统方法,基于神经网络的方法可以得到更准确的深度估计,但其结果与真实深度图依然存在较大差距。首先,本文对单幅图像深度估计领域的国内外研究现状进行了研究与分析,发现现有的大部分单幅图像深度估计方法对于原始图像中物体的边缘信息都不能给出较为清晰的深度表示。因此,本文提出了一种基于残差稠密网络的单幅图像深度估计方法。通过将残差稠密模块引入到具有跳跃连接的编码器-解码器结构,提出了一种适用于单幅图像深度估计的残差稠密网络。同时使用双目立体图像对,实现网络的自监督训练。通过引入残差稠密模块,整个网络可以更好地获取图像的局部特征,使该方法对于物体边缘信息的提取能力得到提高。然后,通过对基于神经网络的单幅图像深度... 

【文章来源】：辽宁大学辽宁省 211工程院校

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于传统方法的单幅图像深度估计
        1.2.2 基于神经网络的单幅图像深度估计
    1.3 本文主要研究内容与章节安排
        1.3.1 主要研究内容
        1.3.2 章节安排
第2章 基于神经网络的单幅图像深度估计相关理论
    2.1 图像深度估计
        2.1.1 深度信息获取方法
        2.1.2 深度信息表示方式
    2.2 卷积神经网络
        2.2.1 反卷积
        2.2.2 空洞卷积
    2.3 应用于单幅图像深度估计的网络
        2.3.1 ResNet
        2.3.2 DenseNet
        2.3.3 带洞空间金字塔池化模块
    2.4 自监督训练方法
        2.4.1 基于立体图像对的自监督训练方法
        2.4.2 损失函数
    2.5 本章小结
第3章 应用残差稠密网络的单幅图像深度估计方法
    3.1 残差稠密模块
        3.1.1 适用于单幅图像深度估计的残差稠密基元
        3.1.2 残差稠密模块
    3.2 残差稠密网络
        3.2.1 残差稠密网络的编码器
        3.2.2 残差稠密网络的解码器
        3.2.3 残差稠密网络
    3.3 单幅图像深度估计方法
        3.3.1 残差稠密网络损失函数
        3.3.2 残差稠密网络的自监督训练方法
    3.4 本章小结
第4章 结合深层聚合的单幅图像深度估计方法
    4.1 深层聚合网络
        4.1.1 深层聚合
        4.1.2 适用于残差稠密网络的深层聚合网络
        4.1.3 深层聚合网络层次聚合
    4.2 多尺度残差稠密网络
        4.2.1 多尺度网络
        4.2.2 视差估计网络
    4.3 应用于单幅图像深度估计的深层聚合多尺度残差稠密网络
        4.3.1 深层聚合多尺度残差稠密网络
        4.3.2 应用深层聚合多尺度残差稠密网络的单幅图像深度估计
    4.4 本章小结
第5章 实验结果与分析
    5.1 实验环境
        5.1.1 硬件环境
        5.1.2 软件环境
    5.2 实验数据集与评价标准
        5.2.1 KITTI驾驶数据集
        5.2.2 Eigen Split测试集
        5.2.3 KITTI Split测试集
        5.2.4 实验评价标准
    5.3 实验结果与分析
        5.3.1 应用残差稠密网络的单幅图像深度估计实验结果与分析
        5.3.2 结合深层聚合的单幅图像深度估计实验结果与分析
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 进一步工作方向
致谢
参考文献
攻读学位期间发表的学术论文及参加科研情况



本文编号：2941427