| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究的背景与意义 | 第12-13页 |
| 1.2 图神经网络概述 | 第13-16页 |
| 1.2.1 图神经网络的概念 | 第13-14页 |
| 1.2.2 图神经网络发展现状 | 第14-16页 |
| 1.3 研究内容及主要创新点 | 第16-18页 |
| 1.3.1 论文的研究内容 | 第16-17页 |
| 1.3.2 论文主要创新点 | 第17-18页 |
| 1.4 论文组织结构安排 | 第18-20页 |
| 第2章 图神经网络 | 第20-28页 |
| 2.1 图的定义 | 第20-21页 |
| 2.2 图嵌入学习 | 第21-22页 |
| 2.3 图神经网络 | 第22-24页 |
| 2.4 图卷积神经网络 | 第24-27页 |
| 2.4.1 谱图卷积神经网络 | 第24-26页 |
| 2.4.2 时空域图卷积神经网络 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于多尺度动态图卷积网络模型的3D点云分类 | 第28-40页 |
| 3.1 3D点云数据概述 | 第28-30页 |
| 3.1.1 点云的概念 | 第28-29页 |
| 3.1.2 点云的特点 | 第29-30页 |
| 3.2 3D点云建模方式概述 | 第30-34页 |
| 3.2.1 基于传统图像处理算法的建模方法 | 第30-31页 |
| 3.2.2 基于深度学习算法的建模方法 | 第31-33页 |
| 3.2.3 3D点云数据分类模型概述 | 第33-34页 |
| 3.3 多尺度动态图卷积3D点云分类模型 | 第34-37页 |
| 3.3.1 最远点采样法 | 第34-35页 |
| 3.3.2 k-NN Graph算法 | 第35页 |
| 3.3.3 边卷积操作 | 第35-36页 |
| 3.3.4 本章模型架构 | 第36-37页 |
| 3.4 实验结果分析 | 第37-39页 |
| 3.4.1 实验数据集 | 第37-38页 |
| 3.4.2 模型参数设置 | 第38页 |
| 3.4.3 实验结果分析 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于图卷积U-Net网络模型的3D点云分割 | 第40-50页 |
| 4.1 3D点云分割算法概述 | 第40-42页 |
| 4.1.1 模型驱动型 | 第40-41页 |
| 4.1.2 数据驱动型 | 第41-42页 |
| 4.2 图卷积U-Net3D点云分割模型 | 第42-46页 |
| 4.2.1 Residual结构 | 第42-43页 |
| 4.2.2 k-NN插值算法 | 第43-44页 |
| 4.2.3 本章模型架构 | 第44-46页 |
| 4.3 实验结果分析 | 第46-49页 |
| 4.3.1 实验数据集 | 第46页 |
| 4.3.2 模型参数设置 | 第46-47页 |
| 4.3.3 实验结果分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-54页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间发表的学术论文及科研工作 | 第60-62页 |
| 致谢 | 第62页 |