| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 三维模型检索技术方法概述 | 第10-12页 |
| 1.3 手绘草图研究现状分析 | 第12-16页 |
| 1.4 本文主要工作 | 第16-17页 |
| 1.5 本文基本框架 | 第17-18页 |
| 第二章 本文相关的研究工作 | 第18-34页 |
| 2.1 引言 | 第18-20页 |
| 2.2 投影渲染算法 | 第20-23页 |
| 2.2.1 剪影视图 | 第20-21页 |
| 2.2.2 轮廓线与启发式轮廓线 | 第21-22页 |
| 2.2.3 脊线和谷线 | 第22页 |
| 2.2.4 显著脊线 | 第22-23页 |
| 2.3 特征提取技术 | 第23-30页 |
| 2.3.1 词袋模型(BoF) | 第23-24页 |
| 2.3.2 SIFT特征 | 第24-25页 |
| 2.3.3 基于Gabor滤波的局部线特征 | 第25页 |
| 2.3.4 Zernike矩特征 | 第25-27页 |
| 2.3.5 剪影图视觉特征 | 第27-28页 |
| 2.3.6 机器学习的特征 | 第28-30页 |
| 2.4 相似度学习 | 第30-33页 |
| 2.4.1 人为设定的度量方法 | 第30-32页 |
| 2.4.2 相似度度量学习 | 第32-33页 |
| 2.5 本章总结 | 第33-34页 |
| 第三章 构建卷积网络进行特征提取 | 第34-46页 |
| 3.1 引言 | 第34页 |
| 3.2 人工神经网络 | 第34-36页 |
| 3.3 卷积神经网络 | 第36-44页 |
| 3.3.1 CNN与生物学的联系 | 第37页 |
| 3.3.2 卷积神经网络的构成 | 第37-44页 |
| 3.4 构建卷积网络进行特征提取 | 第44-45页 |
| 3.5 本章总结 | 第45-46页 |
| 第四章 以改进的孪生网络为核心进行检索 | 第46-53页 |
| 4.1 引言 | 第46页 |
| 4.2 孪生卷积网络 | 第46-48页 |
| 4.3 以改进的孪生网络为核心的检索 | 第48-52页 |
| 4.3.1 本文的损失函数 | 第48-49页 |
| 4.3.2 使用改进的孪生网络进行跨域匹配 | 第49-50页 |
| 4.3.3 本文提出的改进孪生网络结构 | 第50-52页 |
| 4.4 定义视图与绘制线图 | 第52页 |
| 4.5 本章总结 | 第52-53页 |
| 第五章 系统实验研究与结果分析 | 第53-63页 |
| 5.1 常用数据集 | 第53-54页 |
| 5.1.1 PSB/SBSR数据集 | 第53-54页 |
| 5.1.2 SHREC'13和SHREC'14数据集 | 第54页 |
| 5.2 评估标准 | 第54-56页 |
| 5.3 实验设置 | 第56-58页 |
| 5.4 PSB/SBSR数据集上的形状检索 | 第58-60页 |
| 5.4.1 实验举例 | 第58-59页 |
| 5.4.2 实验结果分析 | 第59-60页 |
| 5.5 SHREC'13数据集上的实验结果分析 | 第60-62页 |
| 5.5.1 统计结果分析 | 第61-62页 |
| 5.5.2 内域检索 | 第62页 |
| 5.6 本章总结 | 第62-63页 |
| 第六章 总结与展望 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |