基于3D模型的立体目标深度学习分类
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 深度学习的背景及意义 | 第15-16页 |
| 1.2 深度学习的研究现状 | 第16-17页 |
| 1.3 论文主要工作及内容安排 | 第17-19页 |
| 第二章 深度学习基础 | 第19-33页 |
| 2.1 卷积神经网络 | 第19-24页 |
| 2.2 过拟合现象 | 第24-25页 |
| 2.3 数据增强 | 第25-29页 |
| 2.3.1 仿射变换 | 第26-27页 |
| 2.3.2 添加噪声 | 第27页 |
| 2.3.3 灰度变换 | 第27-29页 |
| 2.4 Dropout技术 | 第29-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 样本归一化的深度学习分类 | 第33-57页 |
| 3.1 引言 | 第33页 |
| 3.2 基于直方图均衡的样本归一化 | 第33-45页 |
| 3.2.2 常见的直方图均衡化方法 | 第35-41页 |
| 3.2.3 前景目标的直方图均衡化 | 第41-44页 |
| 3.2.4 基于直方图均衡的样本归一化 | 第44-45页 |
| 3.3 样本归一化的卷积神经网络 | 第45-50页 |
| 3.4 实验结果和分析 | 第50-56页 |
| 3.4.1 前景目标的直方图均衡化 | 第50-52页 |
| 3.4.2 基于直方图均衡的样本归一化 | 第52-54页 |
| 3.4.3 基于样本归一化的卷积神经网络分类 | 第54-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第四章 基于3D模型的深度学习分类 | 第57-79页 |
| 4.1 引言 | 第57页 |
| 4.2 基于样本归一化的3D模型分类 | 第57-62页 |
| 4.3 基于3D模型的样本生成 | 第62-65页 |
| 4.4 实验结果和分析 | 第65-75页 |
| 4.4.1 单光照模拟环境下实验 | 第65-68页 |
| 4.4.2 多光照模拟环境下实验 | 第68-71页 |
| 4.4.3 使用现实图像样本微调 | 第71-75页 |
| 4.5 工程实现 | 第75-77页 |
| 4.6 本章小结 | 第77-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 工作总结 | 第79页 |
| 5.2 未来展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |
