基于深度学习的三维目标识别算法研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 研究背景与意义 | 第6-7页 |
| 1.2 三维目标识别方法概述 | 第7页 |
| 1.3 三维目标识别国内外研究现状 | 第7-10页 |
| 1.4 本文研究内容 | 第10-11页 |
| 1.5 本文结构组织 | 第11-12页 |
| 2 RGB-D物体识别与深度学习理论 | 第12-23页 |
| 2.1 深度图像 | 第12-15页 |
| 2.1.1 伪灰度表示 | 第13页 |
| 2.1.2 点云表示 | 第13-14页 |
| 2.1.3 RGB-D数据集 | 第14-15页 |
| 2.2 深度学习理论 | 第15-19页 |
| 2.2.1 自动编码机 | 第15-16页 |
| 2.2.2 深度卷积神经网络 | 第16-19页 |
| 2.3 目标识别分类器 | 第19-23页 |
| 2.3.1 支持向量机 | 第19-21页 |
| 2.3.2 Softmax分类器 | 第21-23页 |
| 3 基于有监督深度学习的RGB-D物体识别 | 第23-35页 |
| 3.1 多模态DCNN网络框架 | 第23-24页 |
| 3.2 数据预处理 | 第24-26页 |
| 3.2.1 图像尺寸调整 | 第24-25页 |
| 3.2.2 深度图像中值滤波 | 第25-26页 |
| 3.3 深度图像彩色化 | 第26-29页 |
| 3.3.1 主成分分析原理 | 第26-28页 |
| 3.3.2 曲面法线的估计 | 第28-29页 |
| 3.4 多模态DCNN网络训练 | 第29-32页 |
| 3.4.1 单模态DCNN网络训练 | 第30-31页 |
| 3.4.2 融合层网络训练 | 第31-32页 |
| 3.5 实验与结果分析 | 第32-35页 |
| 3.5.1 实验数据准备 | 第32页 |
| 3.5.2 模型参数 | 第32页 |
| 3.5.3 结果与分析 | 第32-35页 |
| 4 基于非监督深度学习的RGB-D物体识别 | 第35-49页 |
| 4.1 CNN-SPPL-RNN算法框架 | 第35-36页 |
| 4.2 非监督特征提取 | 第36-40页 |
| 4.2.1 单层卷积神经网络 | 第36-38页 |
| 4.2.2 空间金字塔池化 | 第38-39页 |
| 4.2.3 递归树形神经网络 | 第39-40页 |
| 4.3 RGB-D图像的物体分类 | 第40-46页 |
| 4.3.1 实验参数准备 | 第41-42页 |
| 4.3.2 WRGB-D数据实验 | 第42-44页 |
| 4.3.3 2D3D数据实验 | 第44-46页 |
| 4.4 模型分析 | 第46-49页 |
| 4.4.1 RNN数目与特征 | 第46-48页 |
| 4.4.2 SPPL层的影响 | 第48-49页 |
| 5 基于CNN-SPPL-RNN的姿态识别 | 第49-52页 |
| 5.1 姿态估计算法框架 | 第49-50页 |
| 5.2 评价指标 | 第50页 |
| 5.3 实验与结果分析 | 第50-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |
