| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 三维模型的关键点检测与特征提取研究现状 | 第13-15页 |
| 1.2.2 三维模型分类研究现状 | 第15-16页 |
| 1.3 论文研究内容 | 第16-17页 |
| 1.4 论文结构安排 | 第17-20页 |
| 第二章 三维形变体模型的扩充与预处理 | 第20-30页 |
| 2.1 三维形变体模型数据集的扩充 | 第20-24页 |
| 2.1.1 三维形变体模型的收集 | 第20-22页 |
| 2.1.2 三维形变体模型的扩充 | 第22-24页 |
| 2.2 三维形变体模型预处理 | 第24-26页 |
| 2.2.1 PCA旋转归—化 | 第25页 |
| 2.2.2 CPCA旋转归—化 | 第25-26页 |
| 2.2.3 NPCA旋转归—化 | 第26页 |
| 2.3 实验分析 | 第26-27页 |
| 2.4 本章小节 | 第27-30页 |
| 第三章 基于传统特征的三维形变体模型的分类研究 | 第30-50页 |
| 3.1 高斯曲率特征 | 第30-31页 |
| 3.2 RoPs特征 | 第31-40页 |
| 3.2.1 关键点检测 | 第32-36页 |
| 3.2.2 姿态归—化 | 第36-38页 |
| 3.2.3 RoPs特征提取 | 第38-40页 |
| 3.3 分类决策LIBSVM | 第40页 |
| 3.4 实验分析 | 第40-48页 |
| 3.4.1 高斯曲率特征实验结果分析 | 第41-42页 |
| 3.4.2 RoPs特征实验结果分析 | 第42-48页 |
| 3.5 本章小节 | 第48-50页 |
| 第四章 基于深度学习的三维形变体模型分类 | 第50-58页 |
| 4.1 深度学习网络 | 第50-52页 |
| 4.2 多视角卷积神经网络 | 第52-55页 |
| 4.3 实验分析 | 第55页 |
| 4.4 本章小结 | 第55-58页 |
| 第五章 基于Deep Forest的三维形变体模型分类与决策融合 | 第58-70页 |
| 5.1 Deep Forest | 第58-60页 |
| 5.1.1 级联森林 | 第58-59页 |
| 5.1.2 多粒度扫描 | 第59-60页 |
| 5.2 传统特征的Deep Forest分类 | 第60-61页 |
| 5.3 多特征决策融合 | 第61-66页 |
| 5.4 实验算法对比 | 第66-68页 |
| 5.5 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-74页 |
| 6.1 工作总结 | 第70-71页 |
| 6.2 工作展望 | 第71-74页 |
| 参考文献 | 第74-78页 |
| 硕士在读期间参与项目 | 第78-80页 |
| 致谢 | 第80页 |