| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 3D模型检索的研究背景及意义 | 第9页 |
| 1.2 3D模型检索的主要方法 | 第9-12页 |
| 1.2.1 3D模型特征提取技术 | 第9-11页 |
| 1.2.2 3D模型检索技术 | 第11-12页 |
| 1.3 本文的主要工作和内容安排 | 第12-14页 |
| 1.3.1 本文的主要工作 | 第12-13页 |
| 1.3.2 本文的内容安排 | 第13-14页 |
| 第二章 相关工作 | 第14-17页 |
| 2.1 基于传统机器学习的多视角3D模型检索算法 | 第14-15页 |
| 2.2 基于深度学习的多视角3D模型检索算法 | 第15页 |
| 2.3 本章小结 | 第15-17页 |
| 第三章 基于类统计模型与三重限制函数的3D模型检索算法 | 第17-34页 |
| 3.1 基于高斯分布的类统计模型 | 第17-19页 |
| 3.2 基于物体距离的测量方法 | 第19页 |
| 3.3 对匹配模型 | 第19-20页 |
| 3.4 CSTC模型 | 第20-21页 |
| 3.5 实验设置 | 第21-33页 |
| 3.5.1 数据集 | 第22页 |
| 3.5.2 检索策略与特征选择 | 第22-23页 |
| 3.5.3 评价指标 | 第23页 |
| 3.5.4 比较方法 | 第23-24页 |
| 3.5.5 特征维度的影响力分析 | 第24-25页 |
| 3.5.6 模型超参数设置 | 第25-27页 |
| 3.5.7 CSTC模型各模块性能评估 | 第27-29页 |
| 3.5.8 CSTC模型检索性能评估 | 第29-32页 |
| 3.5.9 检索时间分析 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 基于视角团对匹配的卷积神经网络检索算法 | 第34-44页 |
| 4.1 基于视角团对匹配的卷积神经网络检索算法概要 | 第34页 |
| 4.2 基于视角团对匹配的卷积神经网络检索算法设计 | 第34-37页 |
| 4.2.1 视角团的生成方式 | 第34-35页 |
| 4.2.2 视角团对匹配卷积神经网络结构 | 第35-36页 |
| 4.2.3 网络架构细节分析 | 第36-37页 |
| 4.2.4 视角团匹配卷积神经网络特点 | 第37页 |
| 4.3 3D模型的检索过程 | 第37-38页 |
| 4.4 实验设置 | 第38-42页 |
| 4.4.1 实验数据集 | 第38页 |
| 4.4.2 GPCNN检索算法与传统机器学习检索算法比较 | 第38-40页 |
| 4.4.3 GPCNN检索算法与现有深度学习检索算法比较 | 第40-41页 |
| 4.4.4 收敛速度分析 | 第41-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第五章 基于对匹配多视角卷积神经网络的3D物体识别算法 | 第44-53页 |
| 5.1 3D物体识别问题表述 | 第44页 |
| 5.2 3D物体识别问题解决方案 | 第44-45页 |
| 5.3 对匹配多视角卷积神经网络模型 | 第45-47页 |
| 5.3.1 训练样本生成 | 第46页 |
| 5.3.2 使用视角团对样本的优点 | 第46页 |
| 5.3.3 网络架构细节分析 | 第46-47页 |
| 5.3.4 引导集 | 第47页 |
| 5.4 实验设置 | 第47-49页 |
| 5.4.1 实验数据集划分 | 第47页 |
| 5.4.2 实验设置 | 第47-48页 |
| 5.4.3 比较方法 | 第48-49页 |
| 5.5 实验结果与性能分析 | 第49-52页 |
| 5.5.1 对匹配多视角卷积神经网络的性能评估 | 第49-51页 |
| 5.5.2 引导集中不同视角团数目设置的性能评估 | 第51-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-56页 |
| 6.1 总结 | 第53-54页 |
| 6.2 未来工作展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 发表论文和科研情况 | 第61-62页 |
| 致谢 | 第62页 |
