全文总字数：5595字
1. 研究目的与意义（文献综述）
1.1 研究目的及意义
伴随着第三次人工智能浪潮的到来，研究如何赋予机器自然视觉，实现对客观世界的三维场景的感知、识别和理解成为近几年学术研究的热点问题。研究表明，人类大脑皮层的70%活动都在处理视觉信息。而人工智能旨在让机器可以像人那样思考、处理事情，因此计算机视觉被视为人工智能的重要分支。
计算机视觉是指用摄像机和电脑模拟人类视觉对目标进行识别、跟踪、测量等的机器视觉，并通过识别和分析做进一步的图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。这门技术对于建立能够从图像或多维数据中获取“信息”的人工智能系统起着很大的作用。机器之所以能够完成需要用上人类智能的任务和特定功能，很大部分是依靠计算机系统中的计算机视觉，比如视觉感知、图像识别、人脸识别、目标定位等等。
2. 研究的基本内容与方案
本论文研究内容为剔除初始点集匹配中错误匹配这一问题，研究内容从以下两个方面展开：
1.1.细介绍剔除错误匹配的LFGC网络的体系结构：感知机架构的设计、每一个子模块的作用、模型的工作原理、引入的机制、损失函数设计。
2.2.LFGC网络中所存在的问题：单个点的特征并不具有分辨其是正确或者错误匹配的特性。由邻域一致性可知：相比于普通的点特征，点和它周围点所构成邻域的特征具有更好的先验信息，模型采用这种信息训练能进一步提升模型的性能。借助邻域一致性，改进原有模型，并设计了以下结构：
3. 研究计划与安排
第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。
第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。
第6－9周：编程实现各算法，并进行仿真调试。
4. 参考文献（12篇以上）
[1] E. Simo-Serra, E. Trulls, L. Ferraz,I. Kokkinos, P. Fua, and F. Moreno-Noguer. Discriminative learning of deepconvolutional feature point descriptors. In Proc. ICCV, 2015
[2] Kwang Moo Yi, Eduard Trulls, VincentLepetit, and Pascal Fua.LIFT: Learned invariantfeature transform. In Proc. ECCV, 2016.
[3] C. Qi, H. Su, K. Mo, and L. Guibas.Pointnet: Deep Learning on Point Sets for 3D Classification and Segmentation.In CVPR, 2017.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
