深度学习理论在点云数据植被剔除问题中的应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 LiDAR点云数据处理 | 第13-14页 |
| 1.4 研究内容和总体技术方案 | 第14-15页 |
| 1.5 章节安排 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 2 深度神经网络 | 第17-28页 |
| 2.1 多隐含层感知器 | 第17-18页 |
| 2.2 深度神经网络模型 | 第18-24页 |
| 2.2.1 堆栈自编码器 | 第18-21页 |
| 2.2.2 卷积神经网络 | 第21-24页 |
| 2.3 网络模型优化 | 第24-26页 |
| 2.3.1 防止过拟合策略 | 第24-25页 |
| 2.3.2 权值优化方法 | 第25-26页 |
| 2.4 深度学习Caffe框架 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 基于堆栈自编码器的植被剔除方法 | 第28-42页 |
| 3.1 基于SAE的图像超分辨率重建 | 第28-29页 |
| 3.2 基于SAE的植被剔除 | 第29-35页 |
| 3.2.1 植被剔除流程 | 第29-31页 |
| 3.2.2 SAE结构设计 | 第31-32页 |
| 3.2.3 激活函数选择 | 第32-35页 |
| 3.3 实验结果及分析 | 第35-40页 |
| 3.3.1 数据介绍 | 第35-36页 |
| 3.3.2 网络深度分析 | 第36-38页 |
| 3.3.3 激活函数分析 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 基于卷积神经网络的植被剔除方法 | 第42-56页 |
| 4.1 基于CNN的图像超分辨率重建 | 第42-43页 |
| 4.2 基于CNN的植被剔除 | 第43-49页 |
| 4.2.1 植被剔除流程 | 第44-46页 |
| 4.2.2 CNN结构设计 | 第46-47页 |
| 4.2.3 边缘填充方法 | 第47-49页 |
| 4.3 实验结果及分析 | 第49-52页 |
| 4.3.1 卷积核尺寸分析 | 第50页 |
| 4.3.2 网络深度分析 | 第50-51页 |
| 4.3.3 边缘填充分析 | 第51-52页 |
| 4.4 SAE和CNN剔除效果对比 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 研究工作总结 | 第56-57页 |
| 5.2 研究工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
