| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要工作和内容安排 | 第12-14页 |
| 1.3.1 本文的主要工作 | 第12-13页 |
| 1.3.2 本文的内容安排 | 第13-14页 |
| 第二章 相关工作 | 第14-18页 |
| 2.1 基于传统机器学习的多视角 3D物体检索 | 第14-15页 |
| 2.2 基于深度学习的多视角 3D物体检索 | 第15-17页 |
| 2.3 本章小结 | 第17-18页 |
| 第三章 基于多元高斯描述符的多视角 3D物体检索算法 | 第18-31页 |
| 3.1 MMG描述符综述 | 第18-19页 |
| 3.2 多元高斯空间 | 第19页 |
| 3.3 李群 | 第19-20页 |
| 3.4 MMG描述符计算 | 第20-21页 |
| 3.4.1 局部高斯统计量计算 | 第20页 |
| 3.4.2 高斯空间映射到向量空间 | 第20-21页 |
| 3.5 多视角特征提取 | 第21-22页 |
| 3.5.1 单视角特征 | 第21页 |
| 3.5.2 多视角特征 | 第21-22页 |
| 3.6 实验设置 | 第22-24页 |
| 3.6.1 数据集 | 第22-23页 |
| 3.6.2 检索算法 | 第23页 |
| 3.6.3 评价指标 | 第23-24页 |
| 3.6.4 对比特征 | 第24页 |
| 3.6.5 视角选择 | 第24页 |
| 3.7 实验结果 | 第24-30页 |
| 3.7.1 ETH数据集上的实验结果分析 | 第25-27页 |
| 3.7.2 3D数据集上的实验结果分析 | 第27-30页 |
| 3.8 本章小结 | 第30-31页 |
| 第四章 基于深度学习的多视角3D物体检索算法 | 第31-47页 |
| 4.1 MDPCNN网络架构 | 第31-32页 |
| 4.2 样本选择 | 第32-33页 |
| 4.2.1 选择聚类样本 | 第32页 |
| 4.2.2 生成样本对 | 第32-33页 |
| 4.3 多批次输入 | 第33-34页 |
| 4.4 损失函数 | 第34-36页 |
| 4.4.1 对比损失函数（Contrastive Loss） | 第35页 |
| 4.4.2 对比-中心损失函数（Contrastive-center Loss） | 第35-36页 |
| 4.5 MDPCNN网络对比 | 第36-37页 |
| 4.5.1 MDPCNN vs MVCNN | 第36页 |
| 4.5.2 MDPCNN vs 孪生网络 | 第36页 |
| 4.5.3 MDPCNN vs GVCNN | 第36-37页 |
| 4.6 实验设置 | 第37-40页 |
| 4.6.1 数据集 | 第37-38页 |
| 4.6.2 评价标准 | 第38页 |
| 4.6.3 对比算法 | 第38-39页 |
| 4.6.4 实验参数设置 | 第39-40页 |
| 4.6.5 生成大规模样本对 | 第40页 |
| 4.7 实验结果 | 第40-46页 |
| 4.7.1 MDPCNN在ETH、MVRED和NTU60数据集上的实验结果分析 | 第41-43页 |
| 4.7.2 MDPCNN在Model Net40数据集上的实验结果分析 | 第43-44页 |
| 4.7.3 MDPCNN三个部分的重要性分析 | 第44-46页 |
| 4.7.4 MDPCNN收敛性分析 | 第46页 |
| 4.8 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-55页 |
| 发表论文和科研情况说明 | 第55-56页 |
| 致谢 | 第56页 |
