基于机器学习的场景分析与重建
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.0 场景三维重建问题的提出 | 第7页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 课题研究现状 | 第8-12页 |
| 1.2.1 三维重建方面 | 第8-11页 |
| 1.2.2 姿态估计方面 | 第11-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 行文安排 | 第12-14页 |
| 第二章 理论基础 | 第14-28页 |
| 2.1 深度学习基础 | 第14-17页 |
| 2.1.1 神经网络基础 | 第14-16页 |
| 2.1.2 反向传导算法 | 第16-17页 |
| 2.2 卷积神经网络 | 第17-22页 |
| 2.2.0 卷积神经网络基础 | 第17-19页 |
| 2.2.1 卷积神经网络模块介绍 | 第19-21页 |
| 2.2.2 激活函数 | 第21页 |
| 2.2.3 Softmax回归 | 第21-22页 |
| 2.3 条件随机场（CRF） | 第22-25页 |
| 2.3.1 生成模型 | 第22-23页 |
| 2.3.2 判别模型 | 第23页 |
| 2.3.3 条件随机场 | 第23-25页 |
| 2.4 二维图像和三维图像的存储 | 第25-26页 |
| 2.5 Kinect相机 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于卷积神经网络的深度图姿态估计算法研究 | 第28-37页 |
| 3.1 问题提出 | 第28-29页 |
| 3.2 基于卷积神经网络的姿态估计算法 | 第29-30页 |
| 3.3 基于卷积神经网络的回归框架设计 | 第30-31页 |
| 3.3.1 损失函数 | 第30页 |
| 3.3.2 网络训练 | 第30-31页 |
| 3.4 实验结果与分析 | 第31-35页 |
| 3.4.1 本章实验环境 | 第31-32页 |
| 3.4.2 数据获取 | 第32页 |
| 3.4.3 评价标准 | 第32-33页 |
| 3.4.4 部分实验结果展示 | 第33页 |
| 3.4.5 实验分析 | 第33-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于模型匹配的室内场景三维重建技术研究 | 第37-51页 |
| 4.1 问题提出 | 第37-38页 |
| 4.2 交互式的图像语义分割与标注 | 第38-40页 |
| 4.2.1 语义分割原理 | 第39-40页 |
| 4.3 基于卷积神经网络的模型匹配方法 | 第40-42页 |
| 4.3.1 网络模型设计 | 第40-42页 |
| 4.3.2 三维场景还原 | 第42页 |
| 4.4 实验结果与分析 | 第42-50页 |
| 4.4.1 本章实验环境 | 第42页 |
| 4.4.2 实验数据 | 第42-44页 |
| 4.4.3 评价标准 | 第44页 |
| 4.4.4 参数分析 | 第44-47页 |
| 4.4.5 实验结果 | 第47-49页 |
| 4.4.6 实验分析 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 主要结论与展望 | 第51-53页 |
| 主要结论 | 第51页 |
| 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第57页 |
