| 摘要 | 第11-13页 |
| ABSTRACT | 第13-15页 |
| 第一章 绪论 | 第16-23页 |
| 1.1 课题研究背景及意义 | 第16-17页 |
| 1.2 三维形状分析与有监督学习技术 | 第17-19页 |
| 1.2.1 三维形状分析 | 第17-18页 |
| 1.2.2 有监督学习技术 | 第18-19页 |
| 1.3 基于深度神经网络的三维特征学习 | 第19-20页 |
| 1.4 研究课题存在的挑战 | 第20页 |
| 1.5 论文的贡献及组织结构 | 第20-23页 |
| 第二章 相关技术研究现状 | 第23-34页 |
| 2.1 三维形状分析 | 第23-27页 |
| 2.1.1 三维形状特征描述子 | 第23-24页 |
| 2.1.2 高层次三维形状分析 | 第24-26页 |
| 2.1.3 三维模型分割 | 第26-27页 |
| 2.2 深度学习与三维形状的特征学习 | 第27-28页 |
| 2.2.1 深度学习和特征学习 | 第27-28页 |
| 2.2.2 三维特征提取与深度学习 | 第28页 |
| 2.3 基于超限学习机的特征学习 | 第28-32页 |
| 2.3.1 超限学习机简介 | 第29-30页 |
| 2.3.2 超限学习机的学习理论 | 第30-31页 |
| 2.3.3 基于超限学习机的特征学习 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第三章 基于人体动作的三维模型描述算子 | 第34-50页 |
| 3.1 引言 | 第34-35页 |
| 3.2 基于虚拟人体动作的三维模型描述算子的计算 | 第35-37页 |
| 3.2.1 虚拟人体三个层次的动作集合 | 第35页 |
| 3.2.2 单个虚拟人体动作与物体交互 | 第35-36页 |
| 3.2.3 接触面积和交点数目的计算 | 第36-37页 |
| 3.2.4 虚拟人体动作和物体的最佳匹配变换 | 第37页 |
| 3.2.5 三维物体AB3D特征的计算 | 第37页 |
| 3.3 基于AB3D的三维模型分类 | 第37-40页 |
| 3.3.1 虚拟人体动作数据和三维物体模型的预处理 | 第38页 |
| 3.3.2 单个虚拟人体动作的最佳匹配变换算法 | 第38-39页 |
| 3.3.3 三维物体AB3D的计算 | 第39-40页 |
| 3.3.4 基于AB3D的支持向量机分类算法 | 第40页 |
| 3.4 实验结果与分析 | 第40-45页 |
| 3.4.1 数据集简介 | 第40-41页 |
| 3.4.2 AB3D算法的有效性分析 | 第41-43页 |
| 3.4.3 本文算法的评价和对比 | 第43页 |
| 3.4.4 算法的时间复杂度分析 | 第43-45页 |
| 3.5 基于AB3D的应用 | 第45-48页 |
| 3.5.1 基于功能性的模型一致性分割 | 第45-46页 |
| 3.5.2 三维室内场景的物体检测与重建 | 第46-48页 |
| 3.6 本章小结 | 第48-50页 |
| 第四章 基于超限学习机的三维模型分割 | 第50-65页 |
| 4.1 引言 | 第50页 |
| 4.2 基于超限学习机的三维模型分割与标注 | 第50-55页 |
| 4.2.1 方法概览 | 第51页 |
| 4.2.2 特征描述算子 | 第51页 |
| 4.2.3 超限学习机训练和测试阶段 | 第51-52页 |
| 4.2.4 分割结果后处理 | 第52-55页 |
| 4.3 实验结果与分析 | 第55-61页 |
| 4.3.1 数据集介绍 | 第55页 |
| 4.3.2 单个三角形层次的分割结果 | 第55-56页 |
| 4.3.3 三角形片层次的分割结果 | 第56-57页 |
| 4.3.4 实验结果对比 | 第57-60页 |
| 4.3.5 大规模三维模型数据库的分割与标注 | 第60-61页 |
| 4.3.6 实验平台 | 第61页 |
| 4.4 基于在线序列增量学习的模型分割方法 | 第61-63页 |
| 4.4.1 单个三角形层次的在线模型分割方法 | 第61-62页 |
| 4.4.2 三角形片层次的实时在线模型分割方法 | 第62-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 基于多角度多层超限学习机的三维模型特征提取 | 第65-83页 |
| 5.1 引言 | 第65-66页 |
| 5.2 基于多层超限学习机的特征学习 | 第66页 |
| 5.3 基于MVD-ELM的三维模型特征提取 | 第66-74页 |
| 5.3.1 MVD-ELM的总体介绍 | 第67-69页 |
| 5.3.2 MVD-ELM的方法实现 | 第69-71页 |
| 5.3.3 MVD-ELM神经元可视化 | 第71-74页 |
| 5.3.4 关于MVD-ELM方法的讨论 | 第74页 |
| 5.4 基于全卷积MVD-ELM的三维模型分割 | 第74-76页 |
| 5.4.1 FC-MVD-ELM方法思路 | 第74-75页 |
| 5.4.2 多标签训练过程 | 第75页 |
| 5.4.3 多标签预测过程 | 第75页 |
| 5.4.4 多标签回投和分割边界优化 | 第75-76页 |
| 5.5 实验结果与分析 | 第76-81页 |
| 5.5.1 实验平台和相关参数 | 第76-77页 |
| 5.5.2 三维模型分类 | 第77-80页 |
| 5.5.3 三维模型分割 | 第80页 |
| 5.5.4 深度图像的分割与物体检测 | 第80-81页 |
| 5.6 本章小结 | 第81-83页 |
| 第六章 基于卷积 -自动编码机的三维特征提取 | 第83-95页 |
| 6.1 引言 | 第83页 |
| 6.2 自动编码机和卷积神经网络 | 第83-86页 |
| 6.2.1 自动编码机 | 第83-85页 |
| 6.2.2 卷积神经网络 | 第85-86页 |
| 6.2.3 卷积 -自动编码机 | 第86页 |
| 6.3 基于超限学习机的卷积 -自动编码机 | 第86-90页 |
| 6.3.1 CAE-ELM方法概述 | 第86页 |
| 6.3.2 CAE-ELM的具体实现和详细步骤 | 第86-88页 |
| 6.3.3 卷积特征映射阶段 | 第88页 |
| 6.3.4 自动编码机的训练阶段 | 第88-89页 |
| 6.3.5 CAE-ELM的有监督训练阶段 | 第89页 |
| 6.3.6 CAE-ELM的测试过程 | 第89页 |
| 6.3.7 关于CAE-ELM的方法讨论 | 第89-90页 |
| 6.3.8 关于CAE-ELM网络结构的讨论 | 第90页 |
| 6.4 实验结果与分析 | 第90-94页 |
| 6.4.1 实验平台和相关参数 | 第90页 |
| 6.4.2 基于CAE-ELM的三维特征提取 | 第90-93页 |
| 6.4.3 三维场景中物体的识别 | 第93-94页 |
| 6.5 本章小结 | 第94-95页 |
| 第七章 结束语 | 第95-98页 |
| 7.1 工作总结 | 第95-96页 |
| 7.2 工作展望 | 第96-98页 |
| 致谢 | 第98-100页 |
| 参考文献 | 第100-108页 |
| 作者在学期间取得的学术成果 | 第108-110页 |
| 缩略语使用说明 | 第110页 |