基于多视角深度全景图的三维形状识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 三维模型特征提取方法的研究现状 | 第10-12页 |
| 1.2.1 基于骨架特征的提取方法 | 第10-11页 |
| 1.2.2 基于统计特征的提取方法 | 第11-12页 |
| 1.2.3 基于视觉相似的特征提取方法 | 第12页 |
| 1.3 深度学习在三维形状识别中的应用 | 第12-15页 |
| 1.3.1 用低层特征训练得到高层特征的学习方法 | 第13-14页 |
| 1.3.2 基于视图的学习方法 | 第14页 |
| 1.3.3 基于三维体素的学习方法 | 第14-15页 |
| 1.3.4 基于原始数据的学习方法 | 第15页 |
| 1.4 论文的研究内容 | 第15页 |
| 1.5 论文的组织结构 | 第15-17页 |
| 第二章 相关理论和技术 | 第17-26页 |
| 2.1 形状描述符 | 第17-19页 |
| 2.1.1 基于模型的形状描述符 | 第17-18页 |
| 2.1.2 基于视图的形状描述符 | 第18-19页 |
| 2.2 深度学习 | 第19-24页 |
| 2.2.1 多层感知机 | 第20-21页 |
| 2.2.2 卷积神经网络 | 第21-23页 |
| 2.2.3 玻尔兹曼机 | 第23页 |
| 2.2.4 深度置信网络 | 第23-24页 |
| 2.3 TensorFlow | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于多视角深度全景图的三维形状分类 | 第26-37页 |
| 3.1 多视角卷积神经网络训练流程 | 第26-27页 |
| 3.2 模型的归一化处理 | 第27-29页 |
| 3.2.1 PCA归一化处理 | 第27-29页 |
| 3.2.2 CPCA归一化处理 | 第29页 |
| 3.3 全景图预处理 | 第29-31页 |
| 3.4 多视角的卷积神经网络 | 第31-32页 |
| 3.5 实验结果及分析 | 第32-36页 |
| 3.5.1 数据库 | 第32-33页 |
| 3.5.2 实验设置 | 第33页 |
| 3.5.3 评价指标 | 第33-34页 |
| 3.5.4 实验结果 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于多视角卷积神经网络的三维形状检索 | 第37-45页 |
| 4.1 基于多视角卷积神经网络的三维形状检索流程 | 第37-38页 |
| 4.2 多视角卷积神经网络特征提取 | 第38-39页 |
| 4.2.1 多视角卷积神经网络模型预训练 | 第38页 |
| 4.2.2 微调多视角卷积神经网络模型 | 第38-39页 |
| 4.3 提取全景图的特征描述 | 第39-40页 |
| 4.4 相似性度量 | 第40-41页 |
| 4.5 实验结果与分析 | 第41-44页 |
| 4.5.1 数据库 | 第41页 |
| 4.5.2 实验设置 | 第41页 |
| 4.5.3 评价指标 | 第41-42页 |
| 4.5.4 实验结果 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 附录 | 第53-54页 |
| 详细摘要 | 第54-56页 |
