| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第11-13页 |
| 1.1 选题的背景与意义 | 第11-12页 |
| 1.2 本文的贡献 | 第12页 |
| 1.3 论文的组织 | 第12-13页 |
| 第二章 深度学习、目标检测与点云分类 | 第13-32页 |
| 2.1 深度学习 | 第13-25页 |
| 2.1.1 深度学习的发展 | 第13-18页 |
| 2.1.2 时间递归神经网络(RNN) | 第18-19页 |
| 2.1.3 对抗生成网络(GAN) | 第19-21页 |
| 2.1.4 卷积神经网络(CNN) | 第21-25页 |
| 2.2 点云及点云的分类 | 第25-28页 |
| 2.2.1 点云的获取与分割 | 第25-26页 |
| 2.2.2 点云的特征构造与分类 | 第26-28页 |
| 2.3 基于图像的场景理解 | 第28-32页 |
| 第三章 基于三维点云的场景目标分类 | 第32-45页 |
| 3.1 作为神经网络输入的点云 | 第32-35页 |
| 3.2 三维卷积神经网络 | 第35-37页 |
| 3.3 实验设置与实验数据 | 第37-40页 |
| 3.3.1 点云体素化的方法讨论 | 第37-39页 |
| 3.3.2 点云数据的扩充 | 第39页 |
| 3.3.3 实验数据 | 第39-40页 |
| 3.4 实验结果与讨论 | 第40-45页 |
| 3.4.1 体素内填充不同数据的影响 | 第40-43页 |
| 3.4.2 不同体素化设置影响 | 第43-45页 |
| 第四章 基于图像的城市场景目标检测 | 第45-61页 |
| 4.1 基于卷积神经网络的目标检测 | 第45-47页 |
| 4.2 迁移学习、数据融合与数据扩充 | 第47-51页 |
| 4.2.1 迁移学习 | 第48页 |
| 4.2.2 数据融合 | 第48-50页 |
| 4.2.3 数据扩充 | 第50-51页 |
| 4.3 算法流程 | 第51-52页 |
| 4.4 实验设置与数据 | 第52-53页 |
| 4.4.1 算法框架 | 第52-53页 |
| 4.4.2 算法先验参数设置 | 第53页 |
| 4.4.3 实验数据 | 第53页 |
| 4.5 实验结果与讨论 | 第53-59页 |
| 4.5.1 数据融合检验与结果对比 | 第54-55页 |
| 4.5.2 检测结果的可视化 | 第55-59页 |
| 4.6 基于Qt与Caffe的城市场景感兴趣对象检测平台 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 本文工作总结 | 第61页 |
| 5.2 本文工作展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69页 |