基于RGB-D图像的三维场景理解及其优化问题研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-16页 |
| ·研究意义 | 第8-10页 |
| ·国内外研究现状及发展趋势 | 第10-15页 |
| ·场景理解 | 第10-13页 |
| ·优化问题 | 第13-15页 |
| ·研究内容及章节安排 | 第15-16页 |
| 第2章 卷积神经网络 | 第16-25页 |
| ·引言 | 第16页 |
| ·表达学习 | 第16-17页 |
| ·卷积神经网络 | 第17-20页 |
| ·卷积神经网络的结构 | 第18页 |
| ·卷积神经网络的特性 | 第18-20页 |
| ·卷积神经网络中的反向传播算法 | 第20-24页 |
| ·前向传播 | 第20-21页 |
| ·反向传播 | 第21-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 多目标粒子群优化 | 第25-40页 |
| ·引言 | 第25页 |
| ·多目标优化的基本概念 | 第25-26页 |
| ·多目标粒子群算法 | 第26-27页 |
| ·标准的粒子群算法 | 第26-27页 |
| ·粒子群算法的多目标形式 | 第27页 |
| ·多目标优化中的约束处理 | 第27-29页 |
| ·一种新的多目标粒子群算法 | 第29-38页 |
| ·种群的设定 | 第29-30页 |
| ·约束违反程度的计算 | 第30-31页 |
| ·改进的自适应网格 | 第31-34页 |
| ·投票机制 | 第34-35页 |
| ·不可行解的适应度 | 第35页 |
| ·种群的初始化及更新 | 第35-37页 |
| ·变异操作 | 第37页 |
| ·算法的完整步骤 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 第4章 基于多目标卷积神经网络的三维场景理解算法 | 第40-50页 |
| ·引言 | 第40页 |
| ·卷积神经网络训练中的优化方法 | 第40-44页 |
| ·梯度法 | 第40-42页 |
| ·随机梯度法 | 第42-44页 |
| ·多目标卷积神经网络 | 第44-47页 |
| ·偏差与方差之间的权衡 | 第44-46页 |
| ·卷积神经网络训练的多目标形式 | 第46页 |
| ·一种新的多目标卷积神经网络 | 第46-47页 |
| ·三维场景理解算法 | 第47-49页 |
| ·法向量的计算 | 第47-49页 |
| ·三维场景理解算法 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第5章 实验与结果分析 | 第50-62页 |
| ·引言 | 第50页 |
| ·多目标粒子群算法的性能分析 | 第50-55页 |
| ·性能指标 | 第50页 |
| ·超体积性能指标 | 第50-51页 |
| ·Epsilon 性能指标 | 第51页 |
| ·性能对比 | 第51-55页 |
| ·三维场景理解在无人车导航中的应用 | 第55-59页 |
| ·KITTI 数据集 | 第55-57页 |
| ·利用激光点云生成深度图像 | 第57-58页 |
| ·后处理规则 | 第58页 |
| ·实验中的参数设定 | 第58页 |
| ·实验结果 | 第58-59页 |
| ·三维场景理解在室内机器人导航中的应用 | 第59-62页 |
| ·NYU-Depth V2 数据集 | 第59-60页 |
| ·实验中的参数设定 | 第60页 |
| ·实验结果 | 第60-62页 |
| 结论与展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读学位期间发表论文与研究成果清单 | 第70-71页 |
| 致谢 | 第71页 |
