| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 论文背景 | 第10-11页 |
| 1.2 本文的工作与贡献 | 第11-12页 |
| 1.3 本文组织与结构 | 第12-14页 |
| 第二章 相关技术综述 | 第14-26页 |
| 2.1 基于深度数据的三维重建技术 | 第14-16页 |
| 2.2 卷积神经网络技术 | 第16-21页 |
| 2.2.1 深度学习概述 | 第16-17页 |
| 2.2.2 卷积神经网络的原理 | 第17-20页 |
| 2.2.3 卷积神经网络的发展 | 第20-21页 |
| 2.3 基于卷积神经网络的图像语义分割技术 | 第21-25页 |
| 2.3.1 图像理解 | 第22页 |
| 2.3.2 卷积神经网络在图像语义分割中的应用 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于深度数据和鲁棒的位姿优化的三维重建 | 第26-36页 |
| 3.1 算法概述 | 第26-27页 |
| 3.2 深度数据处理 | 第27-28页 |
| 3.3 相机跟踪与位姿计算 | 第28-30页 |
| 3.3.1 特征点对选取 | 第28-29页 |
| 3.3.2 ICP迭代求解 | 第29-30页 |
| 3.4 基于稀疏特征匹配和稠密光度匹配的位姿优化策略 | 第30-33页 |
| 3.5 实验结果与分析 | 第33-35页 |
| 3.5.1 评价指标 | 第33-34页 |
| 3.5.2 结果分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于CNN和CRF二元势函数优化的图像语义分割 | 第36-51页 |
| 4.1 算法概述 | 第36-37页 |
| 4.2 基于全卷积神经网络的图像语义粗分割 | 第37-42页 |
| 4.2.1 卷积神经网络 | 第37-39页 |
| 4.2.2 全卷积神经网络 | 第39-42页 |
| 4.3 基于条件随机场的图像语义细分割 | 第42-46页 |
| 4.3.1 条件随机场 | 第42-44页 |
| 4.3.2 条件随机场二元势函数优化 | 第44-46页 |
| 4.4 实验结果与分析 | 第46-50页 |
| 4.4.1 评价指标 | 第46-47页 |
| 4.4.2 实验数据描述 | 第47-48页 |
| 4.4.3 实验结果与分析 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 基于深度数据和图像语义分割的三维重建 | 第51-59页 |
| 5.1 算法概述 | 第51-52页 |
| 5.2 三维重建 | 第52-53页 |
| 5.3 二维图像语义分割 | 第53-54页 |
| 5.4 二维-三维语义标签迁移策略 | 第54-56页 |
| 5.4.1 渐进式标签融合 | 第54页 |
| 5.4.2 三维语义分割模型正则化优化 | 第54-56页 |
| 5.5 实验结果与分析 | 第56-58页 |
| 5.6 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-62页 |
| 6.1 本文工作总结 | 第59-60页 |
| 6.2 后续工作展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间主要的研究成果 | 第66-67页 |
| 致谢 | 第67页 |