| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 研究背景及意义 | 第15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.3 研究难点 | 第17-18页 |
| 1.4 论文的主要研究内容 | 第18页 |
| 1.5 论文的章节组织 | 第18-20页 |
| 第二章 传统图像分类方法概述 | 第20-32页 |
| 2.1 传统图像分类的背景 | 第20页 |
| 2.2 彩色图像特征提取与描述 | 第20-25页 |
| 2.2.1 SIFT算子 | 第21-24页 |
| 2.2.2 Hessian-Affine算子 | 第24-25页 |
| 2.3 深度信息获取 | 第25-28页 |
| 2.3.1 基于TOF相机的深度信息获取 | 第25-27页 |
| 2.3.2 基于Kinect相机的信息获取 | 第27-28页 |
| 2.4 深度信息特征描述 | 第28-30页 |
| 2.5 传统图像分类模型 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 深度学习概述 | 第32-42页 |
| 3.1 深度学习的背景 | 第32-33页 |
| 3.2 传统深度学习模型 | 第33-39页 |
| 3.2.1 卷积受限玻尔兹曼机 | 第33-34页 |
| 3.2.2 深度置信网络 | 第34-35页 |
| 3.2.3 自编码器 | 第35-37页 |
| 3.2.4 循环神经网络 | 第37-38页 |
| 3.2.5 生成式对抗网络 | 第38-39页 |
| 3.3 应用现状 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于深度稀疏连接网络的RGB-D图像分类算法 | 第42-55页 |
| 4.1 引言 | 第42-43页 |
| 4.2 卷积神经网络 | 第43-44页 |
| 4.3 本章方法 | 第44-48页 |
| 4.3.1 尺度归一化 | 第44-45页 |
| 4.3.2 改进的卷积神经网络 | 第45-47页 |
| 4.3.3 递归神经网络 | 第47-48页 |
| 4.3.4 分类器 | 第48页 |
| 4.4 实验结果及分析 | 第48-54页 |
| 4.4.1 实验设置 | 第48页 |
| 4.4.2 实验结果 | 第48-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于深度层内权值共享网络的RGB-D图像分类算法 | 第55-66页 |
| 5.1 引言 | 第55-56页 |
| 5.2 复杂深度学习网络 | 第56-58页 |
| 5.3 本章方法 | 第58-61页 |
| 5.3.1 权值筛选 | 第58页 |
| 5.3.2 无监督训练共享权值 | 第58-59页 |
| 5.3.3 权值编码 | 第59页 |
| 5.3.4 改进的无监督训练共享权值 | 第59-61页 |
| 5.4 实验结果及分析 | 第61-65页 |
| 5.4.1 实验设置 | 第61-62页 |
| 5.4.2 实验结果 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 论文总结 | 第66页 |
| 6.2 不足与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第74-76页 |