| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文的主要工作 | 第14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第2章 基于草图的三维模型检索 | 第16-25页 |
| 2.1 基于草图的三维模型检索框架 | 第16-17页 |
| 2.2 三维模型投影视角选择方法 | 第17-19页 |
| 2.2.1 固定视角 | 第17-18页 |
| 2.2.2 “学习”最优视角 | 第18-19页 |
| 2.3 投影图生成算法 | 第19-20页 |
| 2.4 特征提取方法 | 第20-21页 |
| 2.4.1 基于手工设计的特征提取方法 | 第20-21页 |
| 2.4.2 深度学习的特征提取方法 | 第21页 |
| 2.5 相似性度量 | 第21-22页 |
| 2.6 检索性能评估 | 第22-24页 |
| 2.7 本章小结 | 第24-25页 |
| 第3章 深度学习简介 | 第25-39页 |
| 3.1 深度学习基础 | 第25页 |
| 3.2 神经网络基础 | 第25-29页 |
| 3.2.1 人工神经网络基础 | 第25-26页 |
| 3.2.2 BP算法 | 第26-29页 |
| 3.3 卷积神经网络 | 第29-34页 |
| 3.3.1 卷积层 | 第30-31页 |
| 3.3.2 池化层 | 第31页 |
| 3.3.3 激活层 | 第31-33页 |
| 3.3.4 损失层 | 第33-34页 |
| 3.4 结合度量学习的神经网络模型 | 第34-38页 |
| 3.4.1 Siamese模型结构 | 第35-37页 |
| 3.4.2 Triplet模型结构 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于Triplet-CNN的三维模型检索 | 第39-53页 |
| 4.1 投影视角和绘制投影图方法选择 | 第39-41页 |
| 4.2 构造三元组数据 | 第41-42页 |
| 4.3 结合度量学习的CNN结构设计 | 第42-46页 |
| 4.4 算法总结 | 第46-48页 |
| 4.5 实验结果与分析 | 第48-52页 |
| 4.5.1 实验参数设置及实验环境 | 第48-49页 |
| 4.5.2 在SHREC’13和SHREC’14数据集上的实验结果分析 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 作者简介及科研成果 | 第61-62页 |
| 后记与致谢 | 第62页 |