基于机器学习的建筑物形状化简模型
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.4 技术路线 | 第14页 |
| 1.5 本文主要内容 | 第14-15页 |
| 2 机器学习和建筑物形状化简的基础理论 | 第15-37页 |
| 2.1 机器学习 | 第15-26页 |
| 2.1.1 概念和分类 | 第15页 |
| 2.1.2 人工神经网络 | 第15-19页 |
| 2.1.3 深度学习 | 第19-20页 |
| 2.1.4 卷积神经网络 | 第20-24页 |
| 2.1.5 自动编码机 | 第24-26页 |
| 2.2 建筑物形状化简 | 第26-36页 |
| 2.2.1 面状数据结构 | 第26-27页 |
| 2.2.2 建筑物的形状描述 | 第27-34页 |
| 2.2.3 基于模板匹配的形状化简 | 第34-36页 |
| 2.3 本章小结 | 第36-37页 |
| 3 基于机器自监督学习的建筑物形状化简模型 | 第37-49页 |
| 3.1 机器自监督学习的定义 | 第37页 |
| 3.1.1 自组织 | 第37页 |
| 3.1.2 非监督学习 | 第37页 |
| 3.2 建筑物形状描述模型 | 第37-44页 |
| 3.2.1 模型设置 | 第38-39页 |
| 3.2.2 训练数据准备 | 第39-43页 |
| 3.2.3 模型训练 | 第43-44页 |
| 3.3 模板匹配化简模型 | 第44-48页 |
| 3.3.1 模板库的设计 | 第45-46页 |
| 3.3.2 模板动态匹配 | 第46-47页 |
| 3.3.3 匹配形状放样 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 实验与分析 | 第49-60页 |
| 4.1 实验平台 | 第49-50页 |
| 4.2 建筑物形状描述实验 | 第50-56页 |
| 4.2.2 特征描述 | 第50-51页 |
| 4.2.3 相似度检验 | 第51-56页 |
| 4.3 模板匹配化简实验 | 第56-59页 |
| 4.3.1 模板匹配 | 第56页 |
| 4.3.2 模板化简 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-68页 |
| 攻读硕士学位期间取得的成果 | 第68页 |
