| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 论文组织安排 | 第12-14页 |
| 第2章 深度学习相关技术概述 | 第14-21页 |
| 2.1 自编码神经网络 | 第14-16页 |
| 2.2 降噪自编码神经网络 | 第16-17页 |
| 2.3 稀疏编码神经网络 | 第17-18页 |
| 2.4 深度卷积神经网络 | 第18-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 三维模型数据预处理 | 第21-26页 |
| 3.1 三维模型数据 | 第21-22页 |
| 3.2 三维模型的规范化 | 第22-24页 |
| 3.3 三维模型投影视图 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第4章 基于改进的稀疏降噪自编码网络三维模型识别方法 | 第26-35页 |
| 4.1 稀疏降噪自编码 | 第26页 |
| 4.2 基于改进的稀疏降噪自编码网络的三维模型特征提取 | 第26-29页 |
| 4.3 基于ISDAE的网络结构 | 第29-30页 |
| 4.4 特征的可视化表示 | 第30-31页 |
| 4.5 实验结果与分析 | 第31-34页 |
| 4.6 本章小结 | 第34-35页 |
| 第5章 基于拓扑稀疏编码的三维模型识别方法 | 第35-44页 |
| 5.1 非拓扑稀疏编码模型 | 第35-36页 |
| 5.2 拓扑稀疏编码模型 | 第36-39页 |
| 5.3 基于拓扑稀疏编码的网络结构 | 第39-40页 |
| 5.4 实验结果及分析 | 第40-43页 |
| 5.5 本章小结 | 第43-44页 |
| 第6章 基于权值优化深度卷积网络的三维模型识别及检索方法 | 第44-51页 |
| 6.1 白化 | 第44-45页 |
| 6.2 权值优化深度卷积网络结构 | 第45-47页 |
| 6.3 三维模型检索方法 | 第47-48页 |
| 6.4 实验结果及分析 | 第48-50页 |
| 6.5 本章小结 | 第50-51页 |
| 第7章 总结与展望 | 第51-52页 |
| 7.1 总结 | 第51页 |
| 7.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 作者简介 | 第58-59页 |
| 作者在读期间的研究成果 | 第59页 |
