| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 引言 | 第11-20页 |
| 1.1 研究背景及研究目的 | 第11-13页 |
| 1.2 点云分类研究现状 | 第13-15页 |
| 1.3 研究内容和技术路线 | 第15-20页 |
| 1.3.1 研究内容 | 第15-17页 |
| 1.3.2 技术路线 | 第17页 |
| 1.3.3 本文组织结构 | 第17-20页 |
| 2 基于体素的车载点云特征提取 | 第20-29页 |
| 2.1 体素 | 第20-22页 |
| 2.2 体素化点云的特征提取 | 第22-28页 |
| 2.2.1 点云几何特征提取 | 第23-26页 |
| 2.2.2 点云光谱特征提取 | 第26-27页 |
| 2.2.3 体素化的点云特征提取 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 基于深度置信网络模型的车载点云语义特征提取与分类 | 第29-55页 |
| 3.1 深度学习概述 | 第29-39页 |
| 3.1.1 深度学习现状 | 第31-33页 |
| 3.1.2 深度学习的常用模型 | 第33-39页 |
| 3.2 受限制玻尔兹曼机 | 第39-49页 |
| 3.2.1 玻尔兹曼机 | 第39-40页 |
| 3.2.2 受限玻尔兹曼机(RBM)模型 | 第40-42页 |
| 3.2.3 RBM学习算法 | 第42-47页 |
| 3.2.4 RBM的评估算法 | 第47-49页 |
| 3.3 面向点云分类的深度置信网络 | 第49-54页 |
| 3.3.1 深度置信网络(DBN)概述 | 第49-50页 |
| 3.3.2 后向传播DBN | 第50-52页 |
| 3.3.3 联想记忆DBN | 第52-54页 |
| 3.4 本章小结 | 第54-55页 |
| 4 实验与结果分析 | 第55-72页 |
| 4.1 实验数据及评价标准 | 第55-57页 |
| 4.2 实验结果分析 | 第57-71页 |
| 4.2.1 BP-DBN结果分析 | 第57-61页 |
| 4.2.2 AM-DBN结果分析 | 第61-64页 |
| 4.2.3 两种分类器结果对比分析 | 第64-65页 |
| 4.2.4 与常用的机器学习分类器对比分析 | 第65-68页 |
| 4.2.5 深度置信网络-随机森林结合分类结果分析 | 第68-71页 |
| 4.3 本章小结 | 第71-72页 |
| 5 总结与展望 | 第72-74页 |
| 5.1 研究工作总结 | 第72页 |
| 5.2 研究展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |