●前言
第1章 緒論 1
1.1 背景和意義 1
1.2 問題與挑戰 2
1.2.1 深度學習問題描述 2
1.2.2 深度學習的挑戰 3
1.2.3 機器人環境感知 4
1.3 研究現狀 5
1.3.1 深度學習發展 6
1.3.2 深度學習與正則化 7
1.3.3 深度學習在機器人環境感知的應用 10
1.4 本書組織結構 11
第2章 隱層正則約束:圖正則自編碼器 13
2.1 引言 13
2.2 圖正則自編碼器 14
2.2.1 自編碼器 15
2.2.2 單隱層圖正則化自編碼器 16
2.2.3 棧式圖正則化自編碼器 18
2.2.4 近鄰圖構造 18
2.2.5 模型訓練 19
2.3 圖正則化理論分析 21
2.3.1 圖正則項對於輸入空間的鄰域特性建模 23
2.3.2 圖正則項對於隱層表示的影響 24
2.3.3 圖正則項與其他正則項的關繫 26
2.4 圖像聚類與分類實驗結果 27
2.4.1 圖像聚類實驗 27
2.4.2 圖像分類實驗 34
2.5 廣義圖正則化與場景分類 39
2.5.1 廣義圖正則自編碼器 40
2.5.2 多層級輸入構造以及結果融合 41
2.6 場景分類實驗結果 46
2.7 本章小結 49
第3章 結構正則約束:語義正則網絡 51
3.1 引言 51
3.2 語義正則卷積神經網絡 53
3.2.1 卷積神經網絡 53
3.2.2 語義正則下的場景分類網絡 55
3.2.3 輸入構造 59
3.3 基於場景類別的語義分割優化 59
3.4 實驗結果 61
3.4.1 實驗配置 62
3.4.2 語義正則結構有效性驗證 62
3.4.3 場景分類結果 64
3.4.4 語義分割優化結果 66
3.4.5 數據集外場景測試結果 68
3.5 本章小結 70
第4章 結構正則約束:嵌套殘差網絡 71
4.1 引言 71
4.2 嵌套殘差網絡 73
4.2.1 稠密參考深度構造 73
4.2.2 結構正則化的嵌套殘差網絡 77
4.2.3 代價函數 79
4.3 實驗結果 80
4.3.1 實驗配置 81
4.3.2 結構正則化有效性驗證 82
4.3.3 深度估計結果對比 84
4.3.4 輸入稀疏觀測與輸出置信度分析 88
4.4 本章小結 90
第5章 輸出正則約束:深度移動立方體網絡 91
5.1 引言 91
5.2 深度移動立方體算法 94
5.2.1 移動立方體算法 94
5.2.2 可導移動立方體層 97
5.2.3 網絡結構 99
5.3 正則化深度移動立方體網絡 100
5.3.1 點到物體表面距離 101
5.3.2 占用概率先驗正則 101
5.3.3 網格模型復雜度正則 102
5.3.4 網格模型曲率正則 102
5.4 實驗結果 103
5.4.1 模型及正則項驗證 103
5.4.2 基於點雲的三維物體重構 107
5.4.3 基於體素模型的三維物體重構 111
5.5 本章小結 113
第6章 總結與展望 114
6.1 本書總結 114
6.2 未來工作展望 115
參考文獻 116
相關發表文章 132
彩圖
深度學習技術在圖像分析、語音識別、自然語言理解等難點問題中都取得了十分顯著的應用成果。然而該技術在機器人感知領域的應用相對而言仍然不夠成熟,主要源於深度學習往往需要大量的訓練樣本來避免過擬合、提升泛化能力,從而降低其在測試樣本上的泛化誤差,而機器人環境感知中涉及的任務與環境具有多樣化特性,且嚴重依賴於機器人硬件平臺,因而難以針對機器人各感知任務提供大量標注樣本;其次,對於解不專享的病態問題,即使提供大量的訓練數據,深度學習方法也難以在測試數據上提供理想的估計,而機器人感知任務中所涉及的距離估計、模型重構等問題就是典型的病態問題,其輸入中沒有包含對應到專享輸出的足夠信息。針對上述問題,本書以提升深度學習泛化能力為目標、以嵌入先驗知識的正則化方法為手段、以機器人環境感知為應用背景展開研究,具體取得了以下四個方面的創新性研究成果:(1)提出約束隱層特征表示的圖正則自編碼器。(2)提出約束深度神經等