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

近年来，随着人工智能技术的飞速发展，深度神经网络技术在图像分析、语音识别、自然语言理解等难点问题中都取得了十分显著的应用成果。刘勇、廖依伊著的《正则化深度学习及其在机器人环境感知中的应用》系统地介绍了深度学习应用于机器人环境感知面临的难点与挑战，针对性地提出基于正则化深度学习的机器人环境感知方法,并结合机器人作业场景分类、多任务协同环境感知、机器人导航避障环境深度恢复、感知目标三维重建等应用案例对正则化深度学习方法应用进行介绍。本书紧紧围绕面向机器人环境感知的深度学习问题,深入分析相关概念,建立相关模型,并设计相关方法，为正则化深度学习机器人环境感知应用提出了较为系统的解决方案。
本书可供人工智能、机器人、计算机等专业的研究生、教师和科研人员参考。