自二十世紀(jì)四十年代以來(lái),地點(diǎn)檢索算法引起了國(guó)內(nèi)外研究者的廣泛關(guān)注。近年來(lái),由于卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征表達(dá)能力以及學(xué)習(xí)能力,人們逐步認(rèn)識(shí)到在地點(diǎn)檢索算法中利用卷積神經(jīng)網(wǎng)絡(luò)提取特征是可行而且是必要的。與此同時(shí),三維激光信息被廣泛使用于智能駕駛領(lǐng)域,且基于三維激光的地點(diǎn)檢索算法已取得較好的性能。但是三維激光地點(diǎn)檢索算法易受天氣因素的干擾,視覺地點(diǎn)檢索算法易受光照變化的影響。因此,將三維激光與視覺信息融入地點(diǎn)檢索算法中,將有助于地點(diǎn)檢索算法克服上述環(huán)境變化因素的影響。本文的主要研究工作如下:（1）針對(duì)NetVLAD算法將所有輸入的局部特征都進(jìn)行編碼,導(dǎo)致輸出的全局向量無(wú)法排除弱分辨力特征干擾的問題,本文提出一種改進(jìn)的NetVLAD算法——MarginNetVLAD。MarginNetVLAD算法相對(duì)NetVLAD算法包含了多余聚點(diǎn),這些聚點(diǎn)通過本文提出的改進(jìn)的損失函數(shù)——余量懶惰四元損失函數(shù),來(lái)捕獲弱分辨力的局部特征,使得最終生成的全局向量有效去除這些弱分辨力特征的影響。（2）針對(duì)常用于地點(diǎn)檢索算法的損失函數(shù)存在的各種問題,本文提出三種新的損失函數(shù)改進(jìn)方案,并用實(shí)驗(yàn)證明了本文提出的損失函數(shù)相較... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 地點(diǎn)檢索算法發(fā)展歷程
    1.3 地點(diǎn)檢索算法國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 視覺特征提取在地點(diǎn)檢索算法上的研究現(xiàn)狀
        1.3.2 三維激光特征提取在地點(diǎn)檢索算法上的研究現(xiàn)狀
        1.3.3 特征編碼現(xiàn)狀研究現(xiàn)狀
        1.3.4 檢索算法研究現(xiàn)狀
    1.4 本文的主要貢獻(xiàn)與創(chuàng)新
    1.5 本論文的結(jié)構(gòu)安排
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)及其相關(guān)理論
        2.2.1 神經(jīng)元
        2.2.2 前饋神經(jīng)網(wǎng)絡(luò)
        2.2.3 卷積層
        2.2.4 池化層
        2.2.5 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)特征提取
        2.3.1 VGG16
        2.3.2 PointNet
    2.4 本章小結(jié)
第三章 編碼器與損失函數(shù)的改進(jìn)
    3.1 引言
    3.2 常用的編碼器及其改進(jìn)
        3.2.1 局部聚合向量(VLAD)
        3.2.2 NetVLAD層的改進(jìn)方案
    3.3 常用損失函數(shù)及其改進(jìn)
        3.3.1 常用損失函數(shù)
        3.3.2 常用損失函數(shù)的改進(jìn)方案
    3.4 基于VGG16與MarginNetVLAD層的視覺地點(diǎn)檢索算法
        3.4.1 視覺地點(diǎn)檢索算法問題定義
        3.4.2 網(wǎng)絡(luò)結(jié)構(gòu)
    3.5 基于Pointnet與 MarginNetVLAD層的三維激光地點(diǎn)檢索算法
        3.5.1 三維激光地點(diǎn)檢索算法的問題定義
        3.5.2 網(wǎng)絡(luò)結(jié)構(gòu)
    3.6 實(shí)驗(yàn)
        3.6.1 實(shí)驗(yàn)平臺(tái)與數(shù)據(jù)集
        3.6.2 地點(diǎn)檢索算法性能評(píng)估方法
        3.6.3 數(shù)據(jù)集處理
        3.6.4 實(shí)驗(yàn)結(jié)果與分析
    3.7 本章小結(jié)
第四章 基于卷積神經(jīng)網(wǎng)絡(luò)的融合信息的地點(diǎn)檢索算法
    4.1 引言
    4.2 三維激光與視覺信息融合的地點(diǎn)檢索算法的問題定義
    4.3 三維激光和視覺信息的融合方案
        4.3.1 三維激光和視覺信息的表層融合
        4.3.2 三維激光和視覺信息的帶權(quán)重表層融合
        4.3.3 三維激光和視覺信息的MarginNetVLAD層融合
        4.3.4 三維激光和視覺信息的深層融合
    4.4 實(shí)驗(yàn)
        4.4.1 融合傳感器數(shù)據(jù)集處理
        4.4.2 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號(hào)：3584203