基于卷积神经网络与3D几何语义的室内场景理解研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 场景分类研究现状 | 第14-15页 |
| 1.2.2 布局估计研究现状 | 第15-17页 |
| 1.3 论文研究内容 | 第17-19页 |
| 2 理论与技术基础 | 第19-29页 |
| 2.1 卷积神经网络 | 第19-25页 |
| 2.1.1 CNN原理 | 第19-21页 |
| 2.1.2 CNN结构 | 第21-24页 |
| 2.1.3 CNN相关的研究 | 第24页 |
| 2.1.4 卷积神经网络优缺点 | 第24-25页 |
| 2.2 图像识别分类器 | 第25-28页 |
| 2.2.1 SVM | 第25-28页 |
| 2.2.2 Softmax回归 | 第28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 基于可变部件模型的3D目标检测 | 第29-38页 |
| 3.1 目标检测问题描述 | 第29页 |
| 3.2 可变部件模型 | 第29-32页 |
| 3.2.1 DPM特征提取 | 第30-31页 |
| 3.2.2 DPM的模型结构 | 第31-32页 |
| 3.3 目标3D边界框的生成 | 第32-33页 |
| 3.4 实验与分析 | 第33-37页 |
| 3.4.1 实验环境设置 | 第34页 |
| 3.4.2 数据集 | 第34-35页 |
| 3.4.3 评价方法 | 第35-36页 |
| 3.4.4 实验结果及分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 基于卷积神经网络及语义信息的场景分类 | 第38-49页 |
| 4.1 问题描述 | 第38-39页 |
| 4.2 初始分类阶段 | 第39-42页 |
| 4.2.1 网络结构设计 | 第39-41页 |
| 4.2.2 数据增广 | 第41-42页 |
| 4.3 语义修正阶段 | 第42-44页 |
| 4.4 实验与分析 | 第44-48页 |
| 4.4.1 评价方法 | 第44页 |
| 4.4.2 网络参数调整 | 第44-46页 |
| 4.4.3 实验结果及分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 基于信息边缘及几何上下文信息的布局估计 | 第49-63页 |
| 5.1 问题描述 | 第49-50页 |
| 5.2 信息边缘 | 第50-53页 |
| 5.2.1 全卷积神经网络 | 第50-52页 |
| 5.2.2 上采样 | 第52-53页 |
| 5.3 消失点的估计 | 第53-56页 |
| 5.3.1 模型设计 | 第54-56页 |
| 5.3.2 模型优化 | 第56页 |
| 5.4 待选布局框的生成 | 第56-58页 |
| 5.5 最佳布局的选择 | 第58-60页 |
| 5.5.1 结合信息边缘的最大边距回归器 | 第58-59页 |
| 5.5.2 结合3D几何上下文的布局估计 | 第59-60页 |
| 5.6 实验 | 第60-62页 |
| 5.6.1 评价方法 | 第60-61页 |
| 5.6.2 实验结果及分析 | 第61-62页 |
| 5.7 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
