| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究历史与现状 | 第11-13页 |
| 1.3 本文的主要研究内容 | 第13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 基础理论和相关技术 | 第15-31页 |
| 2.1 三维物体重构的主要流程 | 第15-19页 |
| 2.1.1 特征编码 | 第15-16页 |
| 2.1.2 循环学习 | 第16-18页 |
| 2.1.3 解码并重构三维物体 | 第18-19页 |
| 2.2 卷积神经网络 | 第19-23页 |
| 2.2.1 神经网络 | 第19-20页 |
| 2.2.2 CNN理论 | 第20-22页 |
| 2.2.3 CNN相关算法 | 第22-23页 |
| 2.3 相关的理论结构 | 第23-26页 |
| 2.3.1 长短期记忆网络 | 第23-24页 |
| 2.3.2 3D-R2N2中使用的LSTM | 第24-26页 |
| 2.4 3D-R2N2算法 | 第26-28页 |
| 2.5 对3D-R2N2网络的改进 | 第28-29页 |
| 2.6 SHAPENET数据库 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第三章 3D-R2N2的ENCODER方法分析与改进 | 第31-49页 |
| 3.1 ENCODER方法分析 | 第31页 |
| 3.2 ENCODER改进方案 | 第31-33页 |
| 3.3 设计与实现 | 第33-40页 |
| 3.3.1 总体设计 | 第33-37页 |
| 3.3.2 前向传播流程 | 第37页 |
| 3.3.3 反向传播流程 | 第37-40页 |
| 3.4 算法实现 | 第40-43页 |
| 3.5 实验结果对比 | 第43-48页 |
| 3.5.1 损失函数的收敛速度比较 | 第43-44页 |
| 3.5.2 参数利用效率比较 | 第44-45页 |
| 3.5.3 训练速度对比 | 第45-46页 |
| 3.5.4 三维重构效果对比 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 3D-R2N2的损失函数分析与改进 | 第49-57页 |
| 4.1 3D-R2N2的损失函数分析 | 第49-50页 |
| 4.2 损失函数改进方案 | 第50页 |
| 4.3 对两种损失函数的对比 | 第50-53页 |
| 4.3.1 3D-R2N2的损失函数 | 第50-52页 |
| 4.3.2 改进后的损失函数 | 第52-53页 |
| 4.4 实验结果对比 | 第53-56页 |
| 4.4.1 训练速度对比 | 第53页 |
| 4.4.2 损失值变化情况 | 第53-54页 |
| 4.4.3 三维重构效果对比 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 3D-R2N2的DECODER功能扩展 | 第57-68页 |
| 5.1 DECODER的改进方案 | 第57-58页 |
| 5.2 改进的意义 | 第58-59页 |
| 5.3 改进的设计与实现 | 第59-63页 |
| 5.3.1 实现的原理 | 第59-60页 |
| 5.3.2 训练方法的设计 | 第60-61页 |
| 5.3.3 模型的损失函数与输出 | 第61-62页 |
| 5.3.4 代码实现 | 第62-63页 |
| 5.4 实验结果 | 第63-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 与其他三维重构神经网络或方法的对比 | 第68-79页 |
| 6.1 参与对比的方法以及神经网络介绍 | 第68-70页 |
| 6.1.1 Kar等人提出的方法 | 第68-69页 |
| 6.1.2 PointSetGenertationNetwork(PSGN) | 第69-70页 |
| 6.2 单一图像重构效果对比 | 第70-73页 |
| 6.3 多张图的重构效果对比 | 第73-76页 |
| 6.4 NEW3D-R2N2三维重构的表现 | 第76-78页 |
| 6.5 本章小结 | 第78-79页 |
| 第七章 全文总结与展望 | 第79-81页 |
| 7.1 全文总结 | 第79-80页 |
| 7.2 后续工作展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 攻读硕士学位期间取得的成果 | 第85页 |