| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 引言 | 第8-14页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 三维模型特征提取研究现状 | 第8-9页 |
| 1.2.2 三维模型分类研究现状 | 第9-10页 |
| 1.2.3 三维模型分割研究现状 | 第10-11页 |
| 1.3 论文主要研究内容 | 第11页 |
| 1.4 论文结构安排 | 第11-14页 |
| 第二章 基于深度学习的三维模型分割与协同分割算法 | 第14-34页 |
| 2.1 算法概述 | 第15-17页 |
| 2.1.1 预分割（over-segmentation） | 第15-17页 |
| 2.1.2 学习高级特征 | 第17页 |
| 2.1.3 分割与协同分割 | 第17页 |
| 2.2 深度学习 | 第17-20页 |
| 2.2.1 神经网络架构 | 第17-18页 |
| 2.2.2 自编码网络 | 第18-20页 |
| 2.2.3 栈式自编码网络 | 第20页 |
| 2.3 利用高级特征进行分割和协同分割 | 第20-22页 |
| 2.4 算法评估 | 第22-31页 |
| 2.4.1 实验结果 | 第24-27页 |
| 2.4.2 算法效果对比 | 第27-31页 |
| 2.4.3 实验环境与算法性能 | 第31页 |
| 2.5 本章小结 | 第31-34页 |
| 第三章 基于密度峰值的三维模型无监督分类算法 | 第34-46页 |
| 3.1 基于鲁棒主成分分析的特征向量提取 | 第35-36页 |
| 3.2 三维模型特征空间中的密度峰值聚类 | 第36-38页 |
| 3.3 分类算法实现 | 第38-39页 |
| 3.3.1 特征描述符选择 | 第38-39页 |
| 3.3.2 算法的具体步骤 | 第39页 |
| 3.4 实验与讨论 | 第39-45页 |
| 3.4.1 本章算法实验结果 | 第39-43页 |
| 3.4.2 与其它三维模型无监督分类算法的比较 | 第43-44页 |
| 3.4.3 鲁棒性分析 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 结论 | 第46-48页 |
| 4.1 总结 | 第46页 |
| 4.2 展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53-54页 |
| 攻读学位期间发表的学术论文目录 | 第54页 |