| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 三维模型分类的研究进展 | 第10-14页 |
| 1.2.1 使用人工设计特征的方法 | 第11-12页 |
| 1.2.2 使用深度学习提取特征的方法 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 第二章 基于递归注意神经网络的三维模型分类方法框架 | 第17-27页 |
| 2.1 递归注意模型概述 | 第17-19页 |
| 2.2 本文提出的递归注意神经网络结构 | 第19-22页 |
| 2.3 训练过程 | 第22-25页 |
| 2.3.1 增强学习方法的使用 | 第22-23页 |
| 2.3.2 有监督的混合学习 | 第23-24页 |
| 2.3.3 抑制分支饱和 | 第24-25页 |
| 2.3.4 输出位置的正则化 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于三维体素表示及递归注意神经网络的三维模型分类方法 | 第27-41页 |
| 3.1 方法概述 | 第27-28页 |
| 3.2 三维模型的体素表示 | 第28-29页 |
| 3.3 三维体素卷积神经网络结构 | 第29-33页 |
| 3.3.1 三维体素卷积计算特征的过程 | 第30-31页 |
| 3.3.2 使用体素表示的递归注意神经网络结构 | 第31-33页 |
| 3.4 实验结果与分析 | 第33-40页 |
| 3.4.1 神经网络训练效果展示 | 第33-34页 |
| 3.4.2 与其他分类方法的对比 | 第34-36页 |
| 3.4.3 选取观察视角个数对分类效果的影响 | 第36-37页 |
| 3.4.4 分类结果实例分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于多视角投影图像及递归注意神经网络的三维模型分类方法 | 第41-59页 |
| 4.1 方法概述 | 第41-42页 |
| 4.2 三维模型全覆盖投影图像采集方法 | 第42-45页 |
| 4.3 基于多视角投影图像的递归注意神经网络结构 | 第45-49页 |
| 4.3.1 使用ResNet网络计算投影图像特征 | 第45-46页 |
| 4.3.2 模型下一观察点的选择 | 第46-47页 |
| 4.3.3 使用多视角投影图像的递归注意神经网络结构 | 第47-49页 |
| 4.4 实验结果与分析 | 第49-57页 |
| 4.4.1 神经网络训练效果展示 | 第49页 |
| 4.4.2 与其他分类方法的对比 | 第49-51页 |
| 4.4.3 不同投影图采样方式和卷积网络结构对分类效果的影响 | 第51-52页 |
| 4.4.4 使用输入数据置信度分类效果的影响 | 第52-53页 |
| 4.4.5 选取观察角度数量对分类效果的影响 | 第53-54页 |
| 4.4.6 一个三维模型视角观察序列的实例 | 第54-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 进一步工作 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 致谢 | 第67-69页 |
| 在学期间的研究成果 | 第69-70页 |
