教育论文网

基于深度学习的稀疏深度图补全

论文目录
摘要第1-6页
abstract第6-7页
第一章 绪论第11-16页
    1.1 选题背景与研究意义第11-12页
    1.2 稀疏深度图补全的国内外研究历史与现状第12-13页
        1.2.1 基于稀疏采样深度的深度预测第12页
        1.2.2 室内环境的深度图优化第12页
        1.2.3 来自单张RGB图像的深度计算第12-13页
    1.3 室外稀疏深度图补全工作的挑战第13页
        1.3.1 数据融合第13页
        1.3.2 对噪声的敏感性第13页
        1.3.3 遮挡第13页
    1.4 本文的主要贡献与创新第13-14页
    1.5 论文内容及章节安排第14-16页
        1.5.1 论文内容与研究技术路线第14页
        1.5.2 论文内容章节安排第14-16页
第二章 深度卷积神经网络第16-37页
    2.1 常用深度卷积神经网络设计第16-29页
        2.1.1 堆叠式设计第16-17页
        2.1.2 模块化设计第17-29页
    2.2 模型训练优化器第29-34页
        2.2.1 梯度下降法第29-30页
        2.2.2 批量梯度下降法第30页
        2.2.3 随机梯度下降法第30-31页
        2.2.4 小批量梯度下降法第31页
        2.2.5 动量优化算法第31-32页
        2.2.6 自适应学习率优化算法第32-34页
    2.3 损失函数第34-36页
        2.3.1 交叉熵损失函数第35页
        2.3.2 绝对值损失函数和平方损失函数第35-36页
        2.3.3 神经网络模型训练方法第36页
    2.4 本章小结第36-37页
第三章 稀疏深度数据预处理与稠密深度数据制作第37-44页
    3.1 数据源及其预处理第37页
    3.2 模拟仿真数据集第37-38页
        3.2.1 数据生成第37-38页
        3.2.2 好处第38页
    3.3 深度数据制作第38-41页
        3.3.1 室内场景第38-39页
        3.3.2 室外场景第39-41页
    3.4 稠密表面法向量数据制作第41-42页
    3.5 数据增强方法与配置第42页
    3.6 本章小结第42-44页
第四章 稀疏深度图补全第44-64页
    4.1 传统编解码器结构第44-45页
    4.2 现有的稀疏深度图补全框架第45-47页
        4.2.1 结合自监督学习第45-46页
        4.2.2 结合多任务学习第46-47页
        4.2.3 结合网络的损失学习第47页
    4.3 本文提出的稀疏深度图补全框架第47页
    4.4 深度补全单元第47-49页
    4.5 基于注意力的整合第49-51页
    4.6 置信度预测第51-52页
    4.7 损失函数第52页
    4.8 实验结果第52-56页
        4.8.1 与当前最优结果比较第52-54页
        4.8.2 更多的定性的结果第54页
        4.8.3 消融实验第54-56页
    4.9 泛化能力第56-57页
        4.9.1 针对不同稀疏程度深度的鲁棒性第56-57页
        4.9.2 室内场景的深度补全第57页
    4.10 本章小结第57-64页
第五章 全文总结第64-66页
    5.1 工作总结第64-65页
    5.2 后续工作展望第61-66页
致谢第66-67页
参考文献第67-73页
攻读硕士学位期间取得的成果第73页

本篇论文共73页,点击 这进入下载页面

 
 
Copyright(C) All Rights Reserved
客服QQ:304386486
目录由用户 w** 提供,作者删除入口请点击这里