| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 本文的主要研究内容 | 第18-19页 |
| 1.4 章节安排 | 第19-21页 |
| 第二章 基础理论和传统联合检测方法分析 | 第21-31页 |
| 2.1 卷积神经网络 | 第21-25页 |
| 2.1.1 神经网络 | 第21-22页 |
| 2.1.2 卷积神经网络中的关键技术 | 第22-24页 |
| 2.1.3 经典卷积神经网络分析 | 第24-25页 |
| 2.2 分类器 | 第25-28页 |
| 2.3 传统检测方法分析 | 第28-30页 |
| 2.3.1 物体检测的基本流程 | 第28-29页 |
| 2.3.2 传统检测方法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于位姿隐变量的物体分类和位姿估计 | 第31-45页 |
| 3.1 基于位姿隐变量方法概述 | 第31-36页 |
| 3.1.1 传统方法与本文方法比较 | 第31-32页 |
| 3.1.2 AlexNet网络结构分析 | 第32-34页 |
| 3.1.3 数据集简介 | 第34-36页 |
| 3.2 基于位姿隐变量的联合检测方法 | 第36-40页 |
| 3.2.1 位姿隐变量方法 | 第36-39页 |
| 3.2.2 预定义视点策略 | 第39-40页 |
| 3.3 神经网络特征结合策略 | 第40-44页 |
| 3.3.1 理论依据 | 第40-42页 |
| 3.3.2 深度叠加网络与特征融合网络 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于Faster R-CNN的物体检测和位姿估计 | 第45-57页 |
| 4.1 Faster R-CNN检测模型 | 第45-49页 |
| 4.1.1 区域生成网络RPN | 第45-47页 |
| 4.1.2 多任务损失函数 | 第47-48页 |
| 4.1.3 RoI池化层 | 第48-49页 |
| 4.2 扩展Faster R-CNN模型 | 第49-56页 |
| 4.2.1 Pascal 3D+数据集简介 | 第49-51页 |
| 4.2.2 定义训练样本和损失函数 | 第51-52页 |
| 4.2.3 扩展的Fast R-CNN框架 | 第52-55页 |
| 4.2.4 位姿估计离散与连续的损失函数 | 第55-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第五章 实验结果比较与分析 | 第57-75页 |
| 5.1 软硬件环境与网络训练策略 | 第57-58页 |
| 5.1.1 软硬件环境 | 第57页 |
| 5.1.2 网络训练策略 | 第57-58页 |
| 5.2 基于位姿隐变量检测方法的实验结果与分析 | 第58-67页 |
| 5.2.1 基于ModelNet数据集的实验结果分析 | 第58-64页 |
| 5.2.2 基于RGB-D数据集的实验结果分析 | 第64-66页 |
| 5.2.3 特征融合网络与现有方法实验结果比较 | 第66-67页 |
| 5.3 基于Faster R-CNN的物体检测和姿态估计实验结果与分析 | 第67-74页 |
| 5.3.1 姿态估计离散与连续损失函数实验结果分析 | 第67-69页 |
| 5.3.2 三种扩展Faster R-CNN检测模型实验结果与分析 | 第69-73页 |
| 5.3.3 双网络结构的联合检测方法与其他方法实验结果比较 | 第73-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
