| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 卷积神经网络研究现状 | 第11-12页 |
| 1.2.2 深度学习的应用领域 | 第12-13页 |
| 1.2.3 手工提取特征 | 第13-14页 |
| 1.2.4 基于网格的三维目标识别方法 | 第14-15页 |
| 1.3 论文的主要研究内容 | 第15页 |
| 1.4 论文的主要内容和组织结构 | 第15-17页 |
| 2 卷积神经网络 | 第17-30页 |
| 2.1 引言 | 第17页 |
| 2.2 人工神经网络 | 第17-19页 |
| 2.3 深度神经网络 | 第19-21页 |
| 2.4 卷积神经网络结构 | 第21-25页 |
| 2.4.1 卷积层 | 第21-22页 |
| 2.4.2 激活函数 | 第22-24页 |
| 2.4.3 池化层 | 第24-25页 |
| 2.4.4 全连接层 | 第25页 |
| 2.5 卷积神经网络提取特征 | 第25-26页 |
| 2.6 卷积神经网络的训练算法 | 第26-28页 |
| 2.7 卷积神经网络的优缺点 | 第28-29页 |
| 2.8 本章小结 | 第29-30页 |
| 3 改进卷积神经网络对点云的识别 | 第30-41页 |
| 3.1 点云 | 第30-32页 |
| 3.1.1 点云格式 | 第30-31页 |
| 3.1.2 实验数据存储 | 第31-32页 |
| 3.2 三维模型库 | 第32-34页 |
| 3.2.1 SydenyUrbanObjects | 第32页 |
| 3.2.2 ModelNet | 第32-33页 |
| 3.2.3 Retrieval模型库 | 第33-34页 |
| 3.2.4 BoD1模型库 | 第34页 |
| 3.3 实验数据的生成 | 第34-37页 |
| 3.3.1 点云数据生成 | 第34-36页 |
| 3.3.2 实验数据生成 | 第36-37页 |
| 3.4 网络结构设计 | 第37-40页 |
| 3.4.1 点云网格的三维目标识别 | 第37-38页 |
| 3.4.2 点云单元格图像的三维目标识别 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 改进的卷积神经网络在点云识别中的应用 | 第41-55页 |
| 4.1 卷积神经网络中使用到的方法和技巧 | 第41页 |
| 4.2 卷积神经网络中参数优化方法 | 第41-43页 |
| 4.2.1 随机梯度下降 | 第42页 |
| 4.2.2 Nesterov梯度加速 | 第42-43页 |
| 4.3 增强网络泛化,防止过拟合 | 第43-46页 |
| 4.3.1 数据增强 | 第43-44页 |
| 4.3.2 权值衰减 | 第44-45页 |
| 4.3.3 Dropout | 第45-46页 |
| 4.3.4 DropConnect | 第46页 |
| 4.4 架构设计分析 | 第46-54页 |
| 4.4.1 实验设置 | 第46-47页 |
| 4.4.2 batch值的设定 | 第47-49页 |
| 4.4.3 局部响应归一化 | 第49页 |
| 4.4.4 momentum动量值的设定 | 第49页 |
| 4.4.5 正则化约束 | 第49-51页 |
| 4.4.6 激活函数 | 第51-52页 |
| 4.4.7 采样方式 | 第52-53页 |
| 4.4.8 卷积核个数 | 第53页 |
| 4.4.9 卷积核大小 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 实验结果与分析 | 第55-60页 |
| 5.1 点云图像识别 | 第55-56页 |
| 5.2 识别结果 | 第56-59页 |
| 5.3 点云单元格图像方法与VoxNet方法的对比 | 第59页 |
| 5.4 本章小结 | 第59-60页 |
| 6 结论 | 第60-63页 |
| 6.1 结论 | 第60-61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文 | 第67-68页 |
| 致谢 | 第68-71页 |