| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 研究现状及分析 | 第10-14页 |
| 1.2.1 室内三维场景的语义理解研究现状及分析 | 第10-12页 |
| 1.2.2 基于深度学习的语义理解研究现状及分析 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-16页 |
| 第2章 基于U-Net网络的二维语义分割 | 第16-34页 |
| 2.1 引言 | 第16页 |
| 2.2 U-Net网络的特点及分析 | 第16-18页 |
| 2.3 基于U-Net的双数据流语义分割网络的设计 | 第18-23页 |
| 2.3.1 U-Net网络的优化 | 第18-21页 |
| 2.3.2 双数据流语义分割网络设计 | 第21-23页 |
| 2.4 实验数据处理与结果分析 | 第23-33页 |
| 2.4.1 实验数据集描述及处理 | 第23-27页 |
| 2.4.2 实验结果评价及分析 | 第27-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于3P-ICP算法的室内三维语义场景重建 | 第34-48页 |
| 3.1 引言 | 第34页 |
| 3.2 基于语义分割的单帧语义点云生成 | 第34-38页 |
| 3.2.1 深度图与点云数据的转换 | 第34-37页 |
| 3.2.2 单帧语义点云的生成方法 | 第37-38页 |
| 3.3 基于3P-ICP算法的语义点云拼接 | 第38-43页 |
| 3.3.1 迭代最近点算法与三点法分析 | 第38-40页 |
| 3.3.2 3P-ICP拼接算法设计 | 第40-43页 |
| 3.4 三维语义场景重建结果与分析 | 第43-47页 |
| 3.4.1 单帧语义点云生成方法的结果及分析 | 第43-44页 |
| 3.4.2 3P-ICP算法的拼接结果及分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于阈值聚类算法的三维实例分割 | 第48-59页 |
| 4.1 引言 | 第48页 |
| 4.2 室内三维语义场景预处理 | 第48-52页 |
| 4.2.1 距离统计滤波处理 | 第48-50页 |
| 4.2.2 栅格化语义修复及下采样处理 | 第50-52页 |
| 4.3 基于欧氏距离的改进阈值聚类算法 | 第52-55页 |
| 4.3.1 经典的聚类算法分析 | 第52-53页 |
| 4.3.2 基于欧氏距离的改进阈值聚类算法 | 第53-55页 |
| 4.4 三维语义场景实例分割结果与分析 | 第55-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 基于语义理解框架的CAD组合建模应用 | 第59-69页 |
| 5.1 引言 | 第59页 |
| 5.2 室内模型匹配分析 | 第59-62页 |
| 5.2.1 模型方向匹配分析 | 第59-60页 |
| 5.2.2 模型大小匹配分析 | 第60-62页 |
| 5.2.3 模型位置匹配分析 | 第62页 |
| 5.3 基于语义的室内CAD组合建模 | 第62-68页 |
| 5.3.1 组合建模方案及流程 | 第62-64页 |
| 5.3.2 实验结果与分析 | 第64-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第75-77页 |
| 致谢 | 第77页 |