第1章 绪论 1
1.1 背景和意义 1
1.2 问题与挑战 2
1.2.1 深度学习问题描述 2
1.2.2 深度学习的挑战 3
1.2.3 机器人环境感知 4
1.3 研究现状 5
1.3.1 深度学习发展 6
1.3.2 深度学习与正则化 7
1.3.3 深度学习在机器人环境感知的应用 10
1.4 本书组织结构 11
第2章 隐层正则约束：图正则自编码器 13
2.1 引言 13
2.2 图正则自编码器 14
2.2.1 自编码器 15
2.2.2 单隐层图正则化自编码器 16
2.2.3 栈式图正则化自编码器 18
2.2.4 近邻图构造 18
2.2.5 模型训练 19
2.3 图正则化理论分析 21
2.3.1 图正则项对于输入空间的邻域特性建模 23
2.3.2 图正则项对于隐层表示的影响 24
2.3.3 图正则项与其他正则项的关系 26
2.4 图像聚类与分类实验结果 27
2.4.1 图像聚类实验 27
2.4.2 图像分类实验 34
2.5 广义图正则化与场景分类 39
2.5.1 广义图正则自编码器 40
2.5.2 多层级输入构造以及结果融合 41
2.6 场景分类实验结果 46
2.7 本章小结 49
第3章 结构正则约束：语义正则网络 51
3.1 引言 51
3.2 语义正则卷积神经网络 53
3.2.1 卷积神经网络 53
3.2.2 语义正则下的场景分类网络 55
3.2.3 输入构造 59
3.3 基于场景类别的语义分割优化 59
3.4 实验结果 61
3.4.1 实验配置 62
3.4.2 语义正则结构有效性验证 62
3.4.3 场景分类结果 64
3.4.4 语义分割优化结果 66
3.4.5 数据集外场景测试结果 68
3.5 本章小结 70
第4章 结构正则约束：嵌套残差网络 71
4.1 引言 71
4.2 嵌套残差网络 73
4.2.1 稠密参考深度构造 73
4.2.2 结构正则化的嵌套残差网络 77
4.2.3 代价函数 79
4.3 实验结果 80
4.3.1 实验配置 81
4.3.2 结构正则化有效性验证 82
4.3.3 深度估计结果对比 84
4.3.4 输入稀疏观测与输出置信度分析 88
4.4 本章小结 90
第5章 输出正则约束：深度移动立方体网络 91
5.1 引言 91
5.2 深度移动立方体算法 94
5.2.1 移动立方体算法 94
5.2.2 可导移动立方体层 97
5.2.3 网络结构 99
5.3 正则化深度移动立方体网络 100
5.3.1 点到物体表面距离 101
5.3.2 占用概率先验正则 101
5.3.3 网格模型复杂度正则 102
5.3.4 网格模型曲率正则 102
5.4 实验结果 103
5.4.1 模型及正则项验证 103
5.4.2 基于点云的三维物体重构 107
5.4.3 基于体素模型的三维物体重构 111
5.5 本章小结 113
第6章 总结与展望 114
6.1 本书总结 114
6.2 未来工作展望 115
参考文献 116
相关发表文章 132