基于卷积神经网络的3D室内场景物体识别方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 3D图像分割 | 第10-11页 |
| 1.2.2 物体识别 | 第11-12页 |
| 1.3 本文组织结构 | 第12-14页 |
| 第二章 神经网络原理 | 第14-27页 |
| 2.1 机器学习与人工神经网络 | 第14-21页 |
| 2.1.1 机器学习 | 第14-15页 |
| 2.1.2 人工神经网络 | 第15-21页 |
| 2.2 卷积神经网络 | 第21-26页 |
| 2.2.1 卷积神经网络的网络结构 | 第21-23页 |
| 2.2.2 卷积神经网络的特点 | 第23-25页 |
| 2.2.3 卷积神经网络的训练 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于LCCP分割的神经网络识别 | 第27-41页 |
| 3.1 基于LCCP的室内物体分割算法 | 第27-31页 |
| 3.1.1 超体聚类 | 第27-28页 |
| 3.1.2 凸性判断与邻域合并 | 第28-31页 |
| 3.2 RGBD-NET的结构设计 | 第31-35页 |
| 3.3 卷积神经网络的实现 | 第35-38页 |
| 3.4 特征可视化 | 第38-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 实验结果与分析 | 第41-49页 |
| 4.1 RGB-D数据集 | 第41-42页 |
| 4.2 实验环境与设计 | 第42页 |
| 4.3 分割实验结果 | 第42-44页 |
| 4.4 网络结构优化 | 第44-46页 |
| 4.4.1 激活函数的选择 | 第44-46页 |
| 4.4.2 过拟合优化 | 第46页 |
| 4.4.3 池化方法选择 | 第46页 |
| 4.5 结果分析与对比 | 第46-48页 |
| 4.5.1 卷积层数实验分析 | 第46-47页 |
| 4.5.2 卷积核大小实验分析 | 第47页 |
| 4.5.3 算法结果对比 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 攻读学位期间所取得的相关科研成果 | 第54-55页 |
| 致谢 | 第55页 |
