检索结果-南通市图书馆

检索条件"主题词=深度图预估"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于深度学习的多视图三维重建算法研究

基于深度学习的多视图三维重建算法研究

引用

作者：寻华生安徽大学

学位级别：硕士

三维重建是指目标场景或物体依靠单目、双目或多目的二维影像还原现实三维空间模型的过程。在庞杂的三维重建算法之中,以多视图深度预估为基础的三维重建算法在操作方面拥有高度的灵活性,对于目标的重建精度以及完整度较好的优点,逐渐... 详细信息

三维重建是指目标场景或物体依靠单目、双目或多目的二维影像还原现实三维空间模型的过程。在庞杂的三维重建算法之中,以多视图深度预估为基础的三维重建算法在操作方面拥有高度的灵活性,对于目标的重建精度以及完整度较好的优点,逐渐成为三维重建算法的主要选择方式。传统的三维重建算法在精度和完整度上难以达到平衡,受不稳定的外界因素(例如光照角度、取样角度等)影响较为严重,同时人工设计特征矩阵也存在难度高、稳定性较差等问题。为此,有科研人员提出将多视图深度预估与深度学习相结合(Multi-image stereo network,MVSNet),首先通过卷积神经网络对目标场景或物体进行深度预估,在通过传统算法进行点云融合,增强了目标场景或物体的重建精度和完整度。相较于传统算法,虽然结合深度学习框架的多视图深度预估有较大提升,但是目前该领域依然存在需要解决的问题:(1)当目标场景或物体存在弱纹理、高度镜面反射区域以及内容遮挡等问题,重建目标的精度和完整度将会下降;(2)目前大多数基于深度网络的多视图深度预估算法的改进方向侧重于降低计算量,而忽略了初始阶段特征提取的重要性;(3)由于三维卷积层具有较大的感受野范围,网络对于重建目标的预估深度会出现边界过于平滑的现象;(4)三维卷积神经网络在训练过程中需要消耗巨额的计算资源和长时间的目标深度预估等问题。针对上述问题,本文的主要工作为:(1)提出一种基于位置注意力的多视图深度预估网络(U-Net with position attentive network,UPA-Net)。该模型以U-Net架构为基础,对于不同层次感受野的特征进行信息融合,同时利用位置注意力增强空间上下文建模的长距离依赖性,强化场景或物体在深度图中的纹理信息,提升目标场景或物体的完整性。其次,针对匹配代价体在正则化阶段的巨大内存消耗,UPA-Net采用双阶段的浅层3D U-Net获取概率体。此结构紧凑、轻量的特点使邻域信息不易丢失,从而在推断高分辨率深度映射时,实现高完整度的重建结果。此外,本文添加结构性相似损失函数来提升目标物体或场景的完整度,加快模型收敛速度。在公开数据集DTU、Tanks and Temples、Blended MVS上验证本算法在目标物体或场景的重建精度及完整度方面要优于其他网络。(2)构建一种基于多尺度并行特征提取模块(Multiscale parallel feature,MPF),并以MPF模块为基础提出MPF-MVSNet。MPF中残差块的分层残差类连接会提升各级网络卷积核感受野范围,将多尺度特征用更细粒度表示,降低目标场景或物体由于遮挡等问题带来的影响。其次,MPF内部嵌入Triplet模块,一方面用于捕捉目标特征的通道维度与空间维度的跨维交互信息,另一方面用于聚合视图间和视图内的上下文信息。在匹配代价体正则化阶段,使用矩阵内积来代替传统的方差,增强视图间的信息交互,提升目标场景或物体深度的完整度。同样的,在大量的实验中证明MPF-MVSNet可以有效提升目标物体或场景三维重建的精度和完整度。

关键词：三维重建深度图预估深度学习多视图注意力机制

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度图像预估的三维点云重建算法研究

基于深度图像预估的三维点云重建算法研究

引用

作者：张志宽哈尔滨工业大学

学位级别：硕士

三维重建是指通过对目标物体的照片进行特征的提取与分析还原物体的三维模型。传统的三维重建方法难以在性能与效果上达到平衡,受环境光照、取样角度等外界因素的影响较为严重。并且,手工设计特征矩阵的难度较高、鲁棒性差,而卷积网络... 详细信息

三维重建是指通过对目标物体的照片进行特征的提取与分析还原物体的三维模型。传统的三维重建方法难以在性能与效果上达到平衡,受环境光照、取样角度等外界因素的影响较为严重。并且,手工设计特征矩阵的难度较高、鲁棒性差,而卷积网络可以有效地提取与整合图像的特征信息。早期的基于深度学习的三维重建算法通过深度网络直接对点云、体素等形式的三维模型进行预估,效果较差。MVSNet网络提出了一种先预估深度图像再通过传统算法进行点云融合的三维重建解决方案。该网络对低维的图像特征进行提取与匹配,避免了高维模型特征难以学习的问题。后续的重建算法大多采用深度图预估的形式进行模型重建,但是优化方案侧重于对网络计算量的降低,忽略了特征提取效果对重建结果的影响。因此,针对基于深度图预估的三维重建算法存在的缺点,本文完成了以下的内容:现有的深度重建网络的特征提取模块均采用结构较为简单的卷积网络,仅对空间特征提取与整合,对通道间的特征只使用简单的加法进行整合,忽视了通道间的特征对最终结果的影响。注意力机制对三维重建有较好的适用性,添加注意力机制可以提升网络对目标物体的关注度。在重建任务中,特征提取模块若无法有效分离目标物体与外部背景的特征,则难以获取精确的重建结果。本文以现有的特征提取模块为基础,对SENet、CBAM两种注意力机制进行比较,并通过实验验证注意力机制的有效性。除了特征提取模块外,现有重建网络的深度图优化模块也存在较大的提升空间。MVSNet的深度图优化模块层数较浅,作用较小;RMVSNet使用循环网络进行深度图的生成与优化,重建结果的精确度有所改善,但完整度受损较大;Point MVSNet选用与特征提取模块相近的网络结构进行深度图的优化,取得了一定的提升。本文以Point MVSNet的深度图优化模块为基础,使用残差网络代替原有的一般卷积结构,并加深网络的层数,提取更加准确的局部信息,同时避免深层网络的梯度消失问题,提升深度图优化的效果,从而提升最终重建结果的质量。为验证改进方案的有效性,选用常用的三维重建数据集进行网络的训练与实验,并测试深度可靠性以及几何误差两种融合参数对优化后网络的重建效果的影响。通过对重建获得的点云模型结果的评估证明本文算法的可行性。

关键词：三维重建多视图模型重建深度图预估深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：