声明
致谢
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统立体匹配方法
1.2.2 基于CNN的立体匹配算法
1.3 研究内容及章节安排
2 立体匹配与卷积神经网络的基本原理
2.1立体匹配的基本原理
2.1.1 双目成像原理
2.1.2 视差与深度的转换关系
2.1.3 立体校正
2.1.4 立体匹配的约束条件
2.1.5 立体匹配的难点
2.2 卷积神经网络的基本原理
2.2.1 卷积神经网络的基本结构
2.2.2 卷积神经网络的初始化
2.2.3 卷积神经网络的优化
2.2.4 损失函数
2.2.5 注意力机制
2.3 立体匹配常用数据集与评价指标
2.4 本章小结
3 基于多尺度信息提取的立体匹配网络
3.1 多尺度信息提取
3.1.1 空间金字塔模块
3.1.2 特征提取网络
3.2 相似度计算
3.3 基于注意力机制的视差精修子网络
3.3.1 通道注意力模块
3.3.2 空间注意力模块
3.3.3 视差精修子网络
3.4 视差计算与损失函数
3.5 实验结果与分析
3.5.1 实验细节
3.5.2 消融实验
3.5.3 与其他网络的对比实验
3.6 本章小结
4 基于多信息代价卷的级联立体匹配网络
4.1 级联立体匹配网络
4.1.1 网络结构
4.1.2 空洞特征混合单元
4.2 代价卷分析
4.2.1 相关代价卷
4.2.2 串联代价卷
4.2.3 基于分组策略的多信息代价卷
4.3 视差计算与损失函数
4.4 实验结果与分析
4.4.1 实验细节
4.4.2 消融实验
4.4.3 与其他网络的对比实验
4.5 本章小结
5 总结与展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;