基于卷积神经网络的AR地球仪系统实现
| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8页 |
| 1.2 卷积神经网络的研究现状 | 第8-10页 |
| 1.3 增强现实的发展现状 | 第10-11页 |
| 1.4 本文主要内容及章节安排 | 第11-13页 |
| 1.4.1 主要内容 | 第11页 |
| 1.4.2 章节安排 | 第11-13页 |
| 2 相关技术介绍 | 第13-35页 |
| 2.1 传统神经网络 | 第13-21页 |
| 2.1.1 概述 | 第13-14页 |
| 2.1.2 多层前馈神经网络 | 第14-15页 |
| 2.1.3 优化算法 | 第15-16页 |
| 2.1.4 传统神经网络的改进 | 第16-21页 |
| 2.2 卷积神经网络 | 第21-34页 |
| 2.2.1 概述 | 第21-25页 |
| 2.2.2 经典卷积神经网络模型 | 第25-31页 |
| 2.2.3 移动端卷积神经网络模型 | 第31-34页 |
| 2.3 本章小结 | 第34-35页 |
| 3 系统需求分析与设计 | 第35-44页 |
| 3.1 系统整体需求分析 | 第35页 |
| 3.2 系统详细需求分析 | 第35-39页 |
| 3.2.1 国家识别模块 | 第36-37页 |
| 3.2.2 AR显示模块 | 第37-39页 |
| 3.3 系统总体结构设计 | 第39-43页 |
| 3.3.1 国家识别模块设计 | 第40-41页 |
| 3.3.2 AR显示模块设计 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 基于卷积神经网络的国家识别算法 | 第44-54页 |
| 4.1 数据集介绍 | 第44-45页 |
| 4.1.1 数据采集 | 第44页 |
| 4.1.2 数据增强 | 第44-45页 |
| 4.2 图像压缩和预处理 | 第45-47页 |
| 4.2.1 图像压缩 | 第45页 |
| 4.2.2 图像预处理 | 第45-47页 |
| 4.3 网络结构设计 | 第47-51页 |
| 4.4 实验及结果分析 | 第51-53页 |
| 4.4.1 实验设置 | 第51页 |
| 4.4.2 实验结果分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 基于卷积神经网络的AR地球仪系统实现 | 第54-66页 |
| 5.1 图像特征检测与匹配 | 第54-58页 |
| 5.1.1 图像特征检测 | 第54-57页 |
| 5.1.2 特征点匹配 | 第57-58页 |
| 5.2 三维注册 | 第58-61页 |
| 5.3 虚实融合 | 第61-63页 |
| 5.4 效果展示 | 第63-64页 |
| 5.5 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-74页 |
