基于生成对抗网络的三维点云数据重建任务研究开题报告

 2020-02-18 07:02

1. 研究目的与意义(文献综述)

随着社会发展以及人民生活水平提高,智能机器人、无人驾驶、虚拟现实等新兴技术逐渐走入人们的视野,并悄无声息的改变的人们的生活方式。众所周知,我们生活在一个三维的世界,每天都不可避免地需要与三维模型接触。而在机器人定位、虚拟现实、医学图像处理等特定任务中,三维数据相比于传统的二位数据,更是占据了举足轻重的地位。

尽管计算机视觉在深度学习的帮助下取得了里程碑式的成果,遗憾的是它们却基本上服务于平面图像与视频等二维数据。

因为需要通过机器从已有的训练数据中自动学习到特征,所以深度学习算法是一种数据驱动的算法,而且其成败与数据的优劣密不可分。但是,能够被收集到的三维数据屈指可数,使得早期研究的三维数据规模远不如二维数据。“巧妇难为无米炊”,缺少必要训练数据,再强大的深度学习算法也无用武之地。这也成为了深度学习等数据驱动算法的主要瓶颈之一。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

本次研究的核心任务是进一步提升点云三维重建的质量。

具体的研究目标是:


剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

第1周—第2周 完成题目调研,进行相关资料的搜集,完成文献综述以及开题报告的撰写;

第3周—第4周 深度学习等理论知识的学习,掌握点云和三维重建的基础和理论知识;

第5周-第6周 研究生成对抗网络架构,设计gan网络的训练方案,熟悉三维图像经典数据集,搭建测试环境和开发平台;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] fan, haoqiang, hao su, and leonidas j.guibas. "a point set generation network for 3d object reconstruction froma single image." proceedings of the ieee conference on computer vision andpattern recognition. 2017.

[2] achlioptas, panos, et al. "learningrepresentations and generative models for 3d point clouds." arxiv preprintarxiv:1707.02392 (2017).

[3] radford, alec, luke metz, and soumithchintala. "unsupervised representation learning with deep convolutionalgenerative adversarial networks." arxiv preprint arxiv:1511.06434 (2015)

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。