| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 三维模型对深度学习的作用 | 第10-11页 |
| 1.2 基于三维模型和多任务学习的前景重建 | 第11-12页 |
| 1.3 紧凑型网络 | 第12-14页 |
| 1.4 带有自适应噪声的级联生成模型 | 第14页 |
| 1.5 论文的整体流程 | 第14-16页 |
| 第二章 三维模型分析 | 第16-24页 |
| 2.1 方法 | 第16-24页 |
| 2.1.1 PASCAL 3D+数据库 | 第16页 |
| 2.1.2 ShapeNet数据库 | 第16-17页 |
| 2.1.3 ShapeNet三维数据分析与评价模型设计 | 第17-20页 |
| 2.1.4 三维模型标准化与二维信息提取 | 第20-21页 |
| 2.1.5 面向分类预测问题的渲染技巧 | 第21页 |
| 2.1.6 面向显著性检测的渲染技巧 | 第21-23页 |
| 2.1.7 面向虚拟数据的深度学习代码优化 | 第23-24页 |
| 第三章 自约束的前景重建识别 | 第24-32页 |
| 3.1 前景重建方法 | 第24-28页 |
| 3.1.1 前景重建 | 第24-25页 |
| 3.1.2 多任务学习 | 第25-27页 |
| 3.1.3 卷积神经网络结构 | 第27-28页 |
| 3.2 实验 | 第28-32页 |
| 3.2.1 训练数据渲染方法 | 第28页 |
| 3.2.2 基于ImageNet数据库子集的性能评估 | 第28-29页 |
| 3.2.3 基于PASCAL3D+数据库的性能评估 | 第29-32页 |
| 第四章 紧凑网络的过拟合纠正 | 第32-48页 |
| 4.1 虚拟训练数据生成 | 第32-33页 |
| 4.1.1 基于视觉兴趣点的虚拟数据渲染方法 | 第32-33页 |
| 4.1.2 环境因素仿真 | 第33页 |
| 4.2 ZigzagNet基于不同数据的二次训练 | 第33-37页 |
| 4.2.1 基于多负样本的三元组预训练 | 第34-37页 |
| 4.2.2 偏焦点样本优化参数模型 | 第37页 |
| 4.3 ZigzagNet结构 | 第37-39页 |
| 4.4 紧凑网络相对低精度网络优势 | 第39-41页 |
| 4.4.1 低精度网络实现 | 第39-41页 |
| 4.5 实验 | 第41-48页 |
| 4.5.1 基于PASCAL3D+数据库实验 | 第41-42页 |
| 4.5.2 基于ShapeNet数据库的实验 | 第42-48页 |
| 第五章 带有自适应噪声的级联生成模型 | 第48-64页 |
| 5.1 三维模型的语义渲染 | 第48-49页 |
| 5.1.1 语义渲染 | 第48-49页 |
| 5.2 变分贝叶斯前景渲染 | 第49-52页 |
| 5.2.1 条件变分自动编码机 | 第49-51页 |
| 5.2.2 优化方法 | 第51-52页 |
| 5.3 训练 | 第52-54页 |
| 5.3.1 基于自适应噪声的高效信息馈送策略 | 第53-54页 |
| 5.4 实验 | 第54-64页 |
| 5.4.1 ShapeNet数据库实验 | 第54-59页 |
| 5.4.2 ImageNet数据库实验 | 第59-64页 |
| 第六章 总结 | 第64-68页 |
| 参考文献 | 第68-71页 |
| 攻读学位期间发表的学术论文目录 | 第71页 |
