<acronym id="ogceg"><center id="ogceg"></center></acronym>
<acronym id="ogceg"><center id="ogceg"></center></acronym>
<acronym id="ogceg"></acronym>
答辯公告
我的位置在: 首頁 > 答辯公告 > 正文
屠曉涵預答辯公告
瀏覽次數:日期:2020-10-23編輯:研究生教務辦2

                  屠曉涵預答辯公告

論文題目

面向嵌入式端的單目深度估計方法研究

答辯人

屠曉涵

指導教師

徐成教授

答辯委員會

主席

李仁發教授

學科專業

計算機科學與技術

學院

信息科學與工程學院

答辯地點

軟件大樓619

答辯時間

20201026日  下午400

學位論文簡介

單目深度估計可從單目相機捕獲的單個RGB圖像中預測出密集的深度圖,精確的深度圖可以幫助機器人、無人機等各種自主系統更好地了解場景中物體之間的三維關系和結構,從而更好地完成即時定位和建圖(SLAM)、避障和導航等各種任務。過去的單目深度估計方法過渡依賴高性能計算平臺,以犧牲功耗和計算復雜性為代價來提高精度,未能在準確性和效率之間取得平衡。此外,在加快算法的同時,研究人員通常會忽略它們對嵌入式設備上不同硬件體系結構的匹配性。本文旨在解決這些挑戰:

  1. 針對目前深度估計模型中的編碼器不能有效地重探索特征,本章設計了可重探索特征的編碼器;針對不能很好學習局部特征的解碼器,本章設計了可學習局部特征的編碼器。提出的編碼器和解碼器構成了深度估計模型DEM。為使DEM的精度進一步提高,本章設計了基于相對深度關系的損失函數指導DEM的訓練。為使深度估計更好地應用于場景重建,解決單目SLAM中的尺度模糊問題,本章基于DEM,設計了SLAM系統,實現了更準確的場景重建。

  2. 針對嵌入式平臺上深度估計內存利用率和CPU利用率普遍過高的問題,本章設計了輕量級的深度估計模型,并對這個模型進行嵌入式端的優化加速,降低嵌入式端深度估計的運行時間功耗提供輔助決策。

  3. 針對嵌入式平臺上深度估計模型運行效率的自適應問題和硬件匹配問題,本章設計了模型剪枝方法,同時使用優化方法使模型適應不同的硬件體系結構。為實現嵌入式端的深度估計方法提供了參考。

主要學術成果

  1. Tu, Xiaohan and Xu, Cheng and Liu, Siping and Xie, Guoqi and Li, Renfa. Real-Time Depth Estimation with an Optimized Encoder-Decoder Architecture on Embedded Devices [C]. Proc. IEEE Conf. High Perform. Comput. Commun. 2019: 2141-2149. (CCF C)

  2. Tu, Xiaohan and Xu, Cheng and Liu, Siping and Xie, Guoqi and Huang, Jing and Li, Renfa and Yuan, Junsong. Learning Depth for Scene Reconstruction Using an Encoder-Decoder Model [J]. IEEE Access, 2020, 8: 89300-89317. (SCI 2)

  3. Tu, Xiaohan and Xu, Cheng and Liu, Siping and Li, Renfa and Xie, Guoqi and Huang, Jing and Yang, Laurence Tianruo. Efficient Monocular Depth Estimation for Edge Devices in Internet of Things. IEEE Transactions on Industrial Informatics [J], 2020, doi: 10.1109/TII.2020.3020583. (SCI 1)

 

上海时时彩