| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 第三人称RGB-D图像识别的研究现状 | 第16-17页 |
| 1.2.2 第一人称RGB-D图像识别的研究现状 | 第17-18页 |
| 1.2.3 深度神经网络的研究现状 | 第18-19页 |
| 1.3 研究难点 | 第19页 |
| 1.4 研究内容和章节安排 | 第19-21页 |
| 第二章 RGB-D图像识别概述 | 第21-39页 |
| 2.1 深度信息获取方式 | 第21-25页 |
| 2.1.1 双目立体视觉 | 第21-22页 |
| 2.1.2 结构光传感器 | 第22-24页 |
| 2.1.3 飞行时间法 | 第24-25页 |
| 2.2 RGB-D图像特征提取与表达 | 第25-31页 |
| 2.2.1 RGB特征提取 | 第26-28页 |
| 2.2.2 Depth特征提取 | 第28-29页 |
| 2.2.3 特征表达 | 第29-31页 |
| 2.3 深度学习模型 | 第31-34页 |
| 2.3.1 递归神经网络 | 第31页 |
| 2.3.2 卷积神经网络 | 第31-34页 |
| 2.4 分类模型 | 第34-38页 |
| 2.4.1 支持向量机 | 第34-36页 |
| 2.4.2 Softmax | 第36-37页 |
| 2.4.3 超限学习机 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 基于卷积递归神经网络的第三人称RGB-D图像识别 | 第39-50页 |
| 3.1 空间金字塔池化及核方法 | 第39-42页 |
| 3.1.1 空间金字塔池化 | 第39-40页 |
| 3.1.2 核方法 | 第40-42页 |
| 3.2 改进的卷积递归神经网络 | 第42-43页 |
| 3.2.1 深度图编码 | 第42-43页 |
| 3.2.2 融入SPP的卷积递归神经网络 | 第43页 |
| 3.3 核超限学习机 | 第43-44页 |
| 3.4 实验设置 | 第44-45页 |
| 3.5 实验结果与分析 | 第45-49页 |
| 3.5.1 核超限学习机核函数的影响 | 第45-46页 |
| 3.5.2 深度编码的性能分析 | 第46-47页 |
| 3.5.3 分类方法对比 | 第47页 |
| 3.5.4 与其他方法的比较 | 第47-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于多模态融合的第一人称RGB-D图像识别 | 第50-61页 |
| 4.1 图像分割 | 第50-51页 |
| 4.2 多模态特征融合 | 第51-55页 |
| 4.2.1 公式化表述 | 第52-54页 |
| 4.2.2 优化算法 | 第54-55页 |
| 4.3 实验设置 | 第55-57页 |
| 4.4 实验结果与分析 | 第57-59页 |
| 4.4.1 核超限学习机核函数的影响 | 第57-58页 |
| 4.4.2 多尺度特征和不同视觉线索的影响 | 第58页 |
| 4.4.3 多模态特征融合性能分析 | 第58-59页 |
| 4.4.4 与其他方法的比较 | 第59页 |
| 4.5 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61页 |
| 5.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第69-70页 |