| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 物体检测研究现状 | 第11-15页 |
| 1.3 本文主要研究内容 | 第15-18页 |
| 第二章 相关技术研究 | 第18-26页 |
| 2.1 手持物体学习 | 第18-21页 |
| 2.1.1 概述 | 第18-19页 |
| 2.1.2 RGB-D场景下的手持物体识别研究 | 第19-21页 |
| 2.2 迁移学习 | 第21-24页 |
| 2.2.1 概述 | 第21-23页 |
| 2.2.2 无监督领域自适应研究 | 第23-24页 |
| 2.3 生成式对抗学习 | 第24-25页 |
| 2.4 小结 | 第25-26页 |
| 第三章 手持物体分割与基于点云的室内场景物体分割 | 第26-44页 |
| 3.1 手持物体分割算法 | 第26-30页 |
| 3.1.1 人体骨骼数据获取 | 第26-27页 |
| 3.1.2 手持物体分割算法流程 | 第27-29页 |
| 3.1.3 手持物体分割结果及分析 | 第29-30页 |
| 3.2 基于点云的室内物体分割算法 | 第30-42页 |
| 3.2.1 分割总体流程 | 第31-32页 |
| 3.2.2 室内场景点云 | 第32-34页 |
| 3.2.3 基于随机抽样一致性算法（RANSAC）的平面检测 | 第34-36页 |
| 3.2.4 室内物体分割 | 第36-40页 |
| 3.2.5 室内场景物体分割结果分析 | 第40-42页 |
| 3.3 小结 | 第42-44页 |
| 第四章 基于手持物体学习的室内场景物体检测 | 第44-58页 |
| 4.1 方法框架 | 第44-48页 |
| 4.1.1 基于对抗学习的无监督自适应深度神经网络 | 第44-47页 |
| 4.1.2 基于手持物体学习的物体检测框架 | 第47-48页 |
| 4.2 实验配置与结果分析 | 第48-55页 |
| 4.2.1 实验数据集 | 第48-51页 |
| 4.2.2 实验配置 | 第51-52页 |
| 4.2.3 实验结果分析 | 第52-55页 |
| 4.3 实际应用 | 第55-57页 |
| 4.3.1 深度学习机器人 | 第55页 |
| 4.3.2 应用情景及效果 | 第55-57页 |
| 4.4 小结 | 第57-58页 |
| 第五章 结论与展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 个人简历、在学期间发表的论文与研究成果 | 第68页 |