首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

面向视角变换优化的神经网络图像特征点检测方法

致谢第4-5页
摘要第5-6页
Abstract第6页
1 绪论第11-19页
    1.1 研究背景和意义第11-13页
    1.2 国内外研究现状第13-15页
    1.3 本论文的主要工作第15-16页
    1.4 本文的章节安排第16-19页
2 数字图像特征第19-29页
    2.1 数字图像的产生及获取方法第19页
    2.2 常见的图像特征第19-20页
        2.2.1 局部特征点第19页
        2.2.2 全局特征第19-20页
    2.3 几种经典的图像特征点检测算法第20-24页
        2.3.1 角点检测算法第20-21页
        2.3.2 斑点检测算法第21-23页
        2.3.3 特征描述第23-24页
    2.4 几种基于机器学习方法的图像特征点检测方法第24-27页
        2.4.1 机器学习与滤波器方法相结合的检测方法第24-26页
        2.4.2 基于神经网络的检测方法第26-27页
    2.5 本章小结第27-29页
3 面向视角变换优化的神经网络图像特征点检测器设计第29-41页
    3.1 卷积神经网络简述第29-30页
    3.2 基于卷积神经网络的图像特征点检测器网络第30-32页
        3.2.1 输入层第30页
        3.2.2 隐藏层第30-31页
        3.2.3 激活函数第31-32页
        3.2.4 目标函数第32页
        3.2.5 输出层第32页
    3.3 检测器网络的具体结构第32-34页
    3.4 面向空间视角变换优化的图像特征点筛选方法第34-36页
    3.5 特征点描述子的计算第36-39页
    3.6 本章小结第39-41页
4 检测器网络的训练第41-49页
    4.1 相关数据集简介第41-43页
    4.2 训练数据集的创建第43-45页
        4.2.1 数据选取与采集第43-44页
        4.2.2 数据处理与标注第44-45页
    4.3 训练优化方法及结果第45-48页
    4.4 本章小结第48-49页
5 测试实验与结果分析第49-65页
    5.1 检出特征点的可重复性测试实验与对比分析第49-52页
    5.2 基于本文方法的视觉里程计应用实例的误差测试实验与对比分析第52-61页
        5.2.1 基于本文方法的视觉里程计应用实例实现第52-57页
        5.2.2 本质矩阵估算误差测试第57-59页
        5.2.3 单应性矩阵估算误差测试第59-61页
    5.3 特征点检测器网络的处理性能测试第61-63页
    5.4 本章小结第63-65页
6 总结与展望第65-69页
    6.1 本文总结第65-66页
    6.2 展望第66-69页
参考文献第69-75页
作者简历第75页
读硕期间的科研成果第75页

论文共75页,点击 下载论文
上一篇:铁基氧载体生物质化学链技术研究
下一篇:混合维度石墨烯异质光电器件研究