-
公开(公告)号：CN107945265A
公开(公告)日：2018-04-20
申请号：CN201711227295.6
申请日：2017-11-29
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于在线学习深度预测网络的实时稠密单目SLAM方法：通过最小化高梯度点的光度误差优化得到关键帧的相机姿态，并且采用三角测量法预测高梯度点的深度得到当前帧的半稠密地图；选择在线训练图片对，采用逐块随机梯度下降法在线训练更新CNN网络模型，并利用训练后CNN网络模型对当前帧图片进行深度预测得到稠密地图；根据所述当前帧的半稠密地图和预测稠密地图进行深度尺度回归，得到当前帧深度信息的绝对尺度因子；采用NCC得分投票方法根据所述两种投影结果选择所述当前帧的各像素深度预测值得到预测深度图，并对所述预测深度图进行高斯融合得到最终深度图。本发明还提供了相应的基于在线学习深度预测网络的实时稠密单目SLAM系统。
-
公开(公告)号：CN107909150B
公开(公告)日：2020-08-18
申请号：CN201711225394.0
申请日：2017-11-29
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于逐块随机梯度下降法在线训练CNN的方法，将ResNet‑50之中的卷积层分为5个块，构成ResNet‑50的50层结构的CNN网络模型，生成并筛选训练数据，利用所述训练数据，对所述分为5个块后的ResNet‑50的CNN网络模型逐块进行在线学习和更新，直到满足预设停止条件，得到训练后的CNN网络模型；计算一批图片的训练损失函数，判断是否启动下一次在线学习和更新进程训练新的CNN网络模型。本发明使CNN在有限的训练数据条件下可以取得更好的深度预测结果，并且减少了算法的空间复杂度，增强了CNN的泛化能力；并且选择性的训练和更新，使得算法的时间复杂度大大降低，并且提高了系统的精确度和鲁放性。本发明还提供了相应的基于逐块随机梯度下降法在线训练CNN的系统。
-
公开(公告)号：CN107945265B
公开(公告)日：2019-09-20
申请号：CN201711227295.6
申请日：2017-11-29
Applicant: 华中科技大学
Abstract: 本发明公开了一种基于在线学习深度预测网络的实时稠密单目SLAM方法：通过最小化高梯度点的光度误差优化得到关键帧的相机姿态，并且采用三角测量法预测高梯度点的深度得到当前帧的半稠密地图；选择在线训练图片对，采用逐块随机梯度下降法在线训练更新CNN网络模型，并利用训练后CNN网络模型对当前帧图片进行深度预测得到稠密地图；根据所述当前帧的半稠密地图和预测稠密地图进行深度尺度回归，得到当前帧深度信息的绝对尺度因子；采用NCC得分投票方法根据所述两种投影结果选择所述当前帧的各像素深度预测值得到预测深度图，并对所述预测深度图进行高斯融合得到最终深度图。本发明还提供了相应的基于在线学习深度预测网络的实时稠密单目SLAM系统。
-
公开(公告)号：CN107909150A
公开(公告)日：2018-04-13
申请号：CN201711225394.0
申请日：2017-11-29
Applicant: 华中科技大学
CPC classification number: G06N3/08 , G06N3/0454
Abstract: 本发明公开了一种基于逐块随机梯度下降法在线训练CNN的方法，将ResNet-50之中的卷积层分为5个块，构成ResNet-50的50层结构的CNN网络模型，生成并筛选训练数据，利用所述训练数据，对所述分为5个块后的ResNet-50的CNN网络模型逐块进行在线学习和更新，直到满足预设停止条件，得到训练后的CNN网络模型；计算一批图片的训练损失函数，判断是否启动下一次在线学习和更新进程训练新的CNN网络模型。本发明使CNN在有限的训练数据条件下可以取得更好的深度预测结果，并且减少了算法的空间复杂度，增强了CNN的泛化能力；并且选择性的训练和更新，使得算法的时间复杂度大大降低，并且提高了系统的精确度和鲁放性。本发明还提供了相应的基于逐块随机梯度下降法在线训练CNN的系统。
-
-
-
Search Results
4
records
(took 0.019 seconds)
