| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 移动机器人语义地图构建研究现状 | 第11-15页 |
| 1.2.1 国外研究现状 | 第11-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 存在的问题 | 第15-16页 |
| 1.4 论文主要工作内容与结构框架介绍 | 第16-17页 |
| 1.4.1 主要工作内容 | 第16页 |
| 1.4.2 论文结构框架介绍 | 第16-17页 |
| 1.5 本章小结 | 第17-19页 |
| 第2章 基于轻量级卷积神经网络的物体检测 | 第19-41页 |
| 2.1 卷积神经网络概述 | 第19-23页 |
| 2.1.1 神经网络相关理论 | 第19-21页 |
| 2.1.2 3D立体神经元 | 第21-22页 |
| 2.1.3 卷积神经网络中的主要层结构 | 第22-23页 |
| 2.2 基于深度卷积神经网络的物体检测 | 第23-27页 |
| 2.2.1 基于候选区域提取的两阶段物体检测算法 | 第23-26页 |
| 2.2.2 无需区域提名的端到端的目标检测算法 | 第26-27页 |
| 2.3 基于轻量级卷积神经网络的物体检测模型 | 第27-39页 |
| 2.3.1 深度可分离卷积结构 | 第28-30页 |
| 2.3.2 Light-L模型结构 | 第30-33页 |
| 2.3.3 数据集制作 | 第33-35页 |
| 2.3.4 网络训练 | 第35-36页 |
| 2.3.5 运动指导传播 | 第36-39页 |
| 2.5 本章小结 | 第39-41页 |
| 第3章 基于CUDA的实时深度图像修复 | 第41-49页 |
| 3.1 通用图形处理器计算 | 第41-43页 |
| 3.1.1 图形处理器计算与通用计算图形处理器 | 第41-42页 |
| 3.1.2 并行计算框架选择 | 第42-43页 |
| 3.2 CUDA框架介绍 | 第43-44页 |
| 3.2.1 CUDA编程模型 | 第43-44页 |
| 3.2.2 CUDA线程划分 | 第44页 |
| 3.3 深度图像修复算法并行加速 | 第44-46页 |
| 3.4 物体位置获取与数据协议 | 第46-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第4章 移动机器人语义地图构建 | 第49-59页 |
| 4.1 语义地图构建框架 | 第49-51页 |
| 4.2 坐标映射 | 第51-53页 |
| 4.3 贝叶斯推理增量式构建语义地图 | 第53-56页 |
| 4.4 语义地图处理与存储 | 第56-57页 |
| 4.5 本章小结 | 第57-59页 |
| 第5章 实验结果与分析 | 第59-73页 |
| 5.1 实验环境介绍 | 第59-62页 |
| 5.1.1 实验硬件环境介绍 | 第59-61页 |
| 5.1.2 实验软件环境介绍 | 第61-62页 |
| 5.2 基于CUDA的实时深度图像修复实验 | 第62-63页 |
| 5.2.1 深度图像修复定性实验结果 | 第62-63页 |
| 5.2.2 深度图像修复加速效果定量分析 | 第63页 |
| 5.3 基于轻量级卷积神经网络的目标检测算法实验 | 第63-67页 |
| 5.3.1 目标检测算法定性实验结果 | 第64-67页 |
| 5.3.2 基于轻量级卷积神经网络的目标检测算法定量分析 | 第67页 |
| 5.4 运动指导传播算法实验 | 第67-68页 |
| 5.4.1 运动指导传播算法定性实验结果 | 第67-68页 |
| 5.4.2 运动指导传播算法定量分析 | 第68页 |
| 5.5 语义地图创建实验 | 第68-71页 |
| 5.6 本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间所发表的学术论文 | 第81-83页 |
| 致谢 | 第83页 |