高分辨率激光扫描点云语义标注研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14-16页 |
| 1.2 论文研究目标 | 第16-18页 |
| 1.3 内容安排 | 第18-20页 |
| 第二章 基于三维激光点云的语义标注概述 | 第20-31页 |
| 2.1 激光扫描系统简介 | 第20-23页 |
| 2.2 课题研究现状 | 第23-30页 |
| 2.2.1 基于三维点云的物体检测与提取 | 第25-27页 |
| 2.2.2 基于三维点云的语义标注 | 第27-29页 |
| 2.2.3 基于二维图片与三维点云的语义标注 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 基于点云分块匹配图的语义标签传递 | 第31-55页 |
| 3.1 引言 | 第31页 |
| 3.2 算法描述 | 第31-43页 |
| 3.2.1 点云分块提取与描述 | 第33-34页 |
| 3.2.2 点云分块匹配图的构建 | 第34-40页 |
| 3.2.3 利用点云分块匹配图进行标签传递 | 第40-41页 |
| 3.2.4 基于马尔可夫随机场的标注结果优化 | 第41-43页 |
| 3.3 实验结果与分析 | 第43-53页 |
| 3.3.1 实验数据 | 第43页 |
| 3.3.2 基于点云分块匹配图的语义标注 | 第43-46页 |
| 3.3.3 对比实验 | 第46-50页 |
| 3.3.4 参数敏感性测试 | 第50-53页 |
| 3.4 本章小结 | 第53-55页 |
| 第四章 基于主动学习的语义标注 | 第55-87页 |
| 4.1 引言 | 第55-56页 |
| 4.2 算法描述 | 第56-71页 |
| 4.2.1 超体素的提取与描述 | 第57-60页 |
| 4.2.2 主动学习算法的算法流程 | 第60-61页 |
| 4.2.3 标注模型条件随机场的形式化定义及求解 | 第61-64页 |
| 4.2.4 主动学习选择最有意义的超体素 | 第64-68页 |
| 4.2.5 高阶马尔可夫随机场的语义标注 | 第68-71页 |
| 4.3 实验结果与分析 | 第71-85页 |
| 4.3.1 实验数据 | 第71页 |
| 4.3.2 基于主动学习的语义标注 | 第71-75页 |
| 4.3.3 对比实验 | 第75-83页 |
| 4.3.4 参数敏感性测试 | 第83-85页 |
| 4.4 本章小结 | 第85-87页 |
| 第五章 基于跨维度标签传递的自动标注 | 第87-109页 |
| 5.1 引言 | 第87-88页 |
| 5.2 算法描述 | 第88-98页 |
| 5.2.1 算法流程 | 第88-89页 |
| 5.2.2 图片标签传递 | 第89-92页 |
| 5.2.3 点云自动标注 | 第92-98页 |
| 5.3 实验结果与分析 | 第98-108页 |
| 5.3.1 实验数据 | 第98-99页 |
| 5.3.2 车辆自动标注实例 | 第99-103页 |
| 5.3.3 算法性能分析 | 第103-108页 |
| 5.4 本章小结 | 第108-109页 |
| 第六章 总结与展望 | 第109-113页 |
| 6.1 本文总结 | 第109-111页 |
| 6.2 本文主要贡献 | 第111页 |
| 6.3 未来研究工作与计划 | 第111-113页 |
| 致谢 | 第113-115页 |
| 参考文献 | 第115-131页 |
| 附录: 攻读博士学位期间取得的学术成果 | 第131-132页 |
