| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第16-28页 |
| 1.1 课题研究背景和意义 | 第16-18页 |
| 1.2 三维重建相关技术的研究现状 | 第18-24页 |
| 1.2.1 特征检测与匹配 | 第18-21页 |
| 1.2.2 基于线的三维重建 | 第21页 |
| 1.2.3 光束平差及其并行化 | 第21-23页 |
| 1.2.4 深度神经网络 | 第23-24页 |
| 1.3 论文的主要研究内容 | 第24-28页 |
| 1.3.1 本文研究的重点和难点 | 第24-25页 |
| 1.3.2 本文主要内容及安排 | 第25-28页 |
| 第2章 基于homography和光流的高效线匹配方法研究 | 第28-47页 |
| 2.1 引言 | 第28页 |
| 2.2 线匹配问题概述以及方法实现框架 | 第28-30页 |
| 2.2.1 线匹配问题概述 | 第28-29页 |
| 2.2.2 线匹配方法实现框架 | 第29-30页 |
| 2.3 全局及网格化homography估计及应用 | 第30-36页 |
| 2.3.1 全局化的homography估计 | 第30-32页 |
| 2.3.2 网格化的homography估计 | 第32-34页 |
| 2.3.3 相似区域变换和提取 | 第34-36页 |
| 2.4 基于光流的快速线匹配 | 第36-38页 |
| 2.4.1 基于光流的点追踪 | 第36-37页 |
| 2.4.2 区域化和快速线匹配 | 第37-38页 |
| 2.5 实验与结果分析 | 第38-42页 |
| 2.5.1 参数分析 | 第38-40页 |
| 2.5.2 综合对比测试 | 第40-42页 |
| 2.6 本章小结 | 第42-47页 |
| 第3章 点线融合的全局化三维重建方法研究 | 第47-64页 |
| 3.1 引言 | 第47页 |
| 3.2 基于图像的三维重建基础 | 第47-54页 |
| 3.2.1 相机模型 | 第47-48页 |
| 3.2.2 对极几何 | 第48-50页 |
| 3.2.3 投影矩阵估计 | 第50-52页 |
| 3.2.4 三角测量法 | 第52-53页 |
| 3.2.5 运动恢复结构 | 第53-54页 |
| 3.3 运动恢复结构的全局化方法 | 第54-57页 |
| 3.3.1 全局化的相机方向估计 | 第55-56页 |
| 3.3.2 全局化的相机位置估计 | 第56-57页 |
| 3.4 点线融合的三维重建框架 | 第57-59页 |
| 3.5 实验与分析 | 第59-63页 |
| 3.6 本章小结 | 第63-64页 |
| 第4章 光束平差中并行化自动微分方法研究 | 第64-83页 |
| 4.1 引言 | 第64-65页 |
| 4.2 三维重建中的光束平差优化 | 第65-67页 |
| 4.2.1 光束平差优化概述 | 第65-66页 |
| 4.2.2 光束平差中雅可比矩阵计算问题 | 第66-67页 |
| 4.3 自动微分理论基础 | 第67-69页 |
| 4.4 自动微分的计算模式 | 第69-72页 |
| 4.4.1 正向计算模式 | 第69-71页 |
| 4.4.2 反向计算模式 | 第71-72页 |
| 4.5 并行化自动微分的实现 | 第72-78页 |
| 4.5.1 主机端的编程模式 | 第72-74页 |
| 4.5.2 计算序列的生成 | 第74-76页 |
| 4.5.3 用于并行计算的数据结构 | 第76页 |
| 4.5.4 基于OpenCL的并行自动微分 | 第76-78页 |
| 4.6 自动微分在光束平差中的具体应用 | 第78-82页 |
| 4.6.1 投影公式的建立 | 第78-80页 |
| 4.6.2 测试以及结果分析 | 第80-82页 |
| 4.7 本章小结 | 第82-83页 |
| 第5章 正定矩阵系统并行化求解及其在光束平差中的应用研究 | 第83-98页 |
| 5.1 引言 | 第83页 |
| 5.2 对称正定系统求解在光束平差中的应用 | 第83-85页 |
| 5.2.1 光束平差问题描述 | 第83-85页 |
| 5.2.2 光束平差中正定矩阵系统求解 | 第85页 |
| 5.3 Cholesky分解的基本方法 | 第85-87页 |
| 5.3.1 基本Cholesky分解 | 第85-86页 |
| 5.3.2 分块Cholesky分解算法 | 第86-87页 |
| 5.4 并行优化Cholesky分解方法 | 第87-91页 |
| 5.4.1 步骤1的kernel函数实现 | 第88-89页 |
| 5.4.2 步骤2的kernel函数实现 | 第89-90页 |
| 5.4.3 步骤3的kernel函数实现 | 第90-91页 |
| 5.5 并行优化的三角矩阵系统求解 | 第91-93页 |
| 5.5.1 对角块逆矩阵的存储方式 | 第91页 |
| 5.5.2 基于对角块逆矩阵复用的三角矩阵系统求解 | 第91-93页 |
| 5.6 测试及结果分析 | 第93-97页 |
| 5.6.1 Cholesky分解的性能 | 第94-95页 |
| 5.6.2 对称正定系统的求解性能 | 第95-97页 |
| 5.7 本章小结 | 第97-98页 |
| 第6章 基于改进深度孪生网络的分类器及其应用研究 | 第98-112页 |
| 6.1 引言 | 第98页 |
| 6.2 卷积神经网络基础 | 第98-101页 |
| 6.2.1 卷积神经网络的卷积层 | 第99-100页 |
| 6.2.2 ReLU激活函数 | 第100-101页 |
| 6.2.3 卷积神经网络的Pooling层 | 第101页 |
| 6.3 用于相似度计算的孪生神经网络 | 第101-104页 |
| 6.3.1 孪生网络的基本概念 | 第101-102页 |
| 6.3.2 孪生神经网络的深度化实现 | 第102-104页 |
| 6.4 作为分类器的孪生神经网络 | 第104-105页 |
| 6.5 空间变换器网络及其应用 | 第105-107页 |
| 6.5.1 空间变换器网络理论分析 | 第105-106页 |
| 6.5.2 空间变换器网络的具体实现结构 | 第106-107页 |
| 6.6 实验与结果分析 | 第107-111页 |
| 6.6.1 实验数据与平台 | 第107-108页 |
| 6.6.2 实验结果 | 第108-111页 |
| 6.7 本章小结 | 第111-112页 |
| 总结与展望 | 第112-114页 |
| 参考文献 | 第114-124页 |
| 附录A 攻读博士学位期间发表的学术论文情况 | 第124-125页 |
| 附录B 攻读博士学位期间参与的科研项目情况 | 第125-126页 |
| 致谢 | 第126页 |
