| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 课题研究的目的和意义 | 第14-15页 |
| 1.2 国内外研究概况 | 第15-23页 |
| 1.2.1 图像多层分割 | 第15-18页 |
| 1.2.2 图像语义分割 | 第18-23页 |
| 1.3 论文的主要研究内容 | 第23-26页 |
| 第二章 图像分割和智能计算基础 | 第26-50页 |
| 2.1 图像分割基础 | 第26-45页 |
| 2.1.1 多层图像阈值分割 | 第27-33页 |
| 2.1.2 图像语义分割 | 第33-45页 |
| 2.2 智能计算基础 | 第45-49页 |
| 2.2.1 最优化问题 | 第45-46页 |
| 2.2.2 函数优化问题 | 第46页 |
| 2.2.3 组合优化问题 | 第46-47页 |
| 2.2.4 NP理论 | 第47-48页 |
| 2.2.5 智能优化方法 | 第48-49页 |
| 2.2.6 智能优化算法的发展趋势 | 第49页 |
| 2.3 本章小结 | 第49-50页 |
| 第三章 基于二维K-L散度和改进粒子群优化的图像多层分割算法 | 第50-68页 |
| 3.1 引言 | 第50-52页 |
| 3.2 K-L散度 | 第52页 |
| 3.3 二维直方图 | 第52-54页 |
| 3.4 粒子群优化 | 第54-55页 |
| 3.5 提出的算法 | 第55-61页 |
| 3.5.1 散度和图像分割之间的关系 | 第55-56页 |
| 3.5.2 二维散度图像分割算法 | 第56-58页 |
| 3.5.3 改进的粒子群优化算法 | 第58-60页 |
| 3.5.4 2D K-L散度和MPSO的结合 | 第60-61页 |
| 3.6 实验结果 | 第61-66页 |
| 3.7 本章小结 | 第66-68页 |
| 第四章 基于梯度和改进极值优化的自适应粒子群优化器 | 第68-85页 |
| 4.1 引言 | 第68-70页 |
| 4.2 极值优化 | 第70-71页 |
| 4.3 提出的优化算法 | 第71-75页 |
| 4.3.1 改进的极值优化(IEO) | 第71-72页 |
| 4.3.2 基于梯度的自适应PSO-IEO算法 | 第72-74页 |
| 4.3.3 提出算法的时间复杂度 | 第74-75页 |
| 4.3.4 提出算法的适应度函数 | 第75页 |
| 4.4 实验结果 | 第75-83页 |
| 4.4.1 实验1：基准测试函数 | 第75-81页 |
| 4.4.2 实验2：图像多层分割 | 第81-83页 |
| 4.5 本章小结 | 第83-85页 |
| 第五章 基于高阶势和生成对抗网络的图像语义分割算法 | 第85-103页 |
| 5.1 引言 | 第85-88页 |
| 5.2 提出的语义分割算法 | 第88-91页 |
| 5.2.1 提出算法的网络架构 | 第89-90页 |
| 5.2.2 损失函数 | 第90-91页 |
| 5.3 训练方式 | 第91-94页 |
| 5.3.1 防止过拟合 | 第91-92页 |
| 5.3.2 优化算法 | 第92-94页 |
| 5.4 实验结果 | 第94-101页 |
| 5.4.1 常用的图像语义分割数据集 | 第94-96页 |
| 5.4.2 评估标准 | 第96-97页 |
| 5.4.3 实验1：PASCAL VOC 2012数据集 | 第97-100页 |
| 5.4.4 实验2：Cityscapes数据集 | 第100-101页 |
| 5.5 本章小结 | 第101-103页 |
| 第六章 结论与展望 | 第103-106页 |
| 6.1 结论 | 第103-104页 |
| 6.2 展望 | 第104-106页 |
| 参考文献 | 第106-117页 |
| 作者在攻读博士期间发表的论文 | 第117-118页 |
| 作者在攻读博士期间所做的项目 | 第118-119页 |
| 致谢 | 第119页 |
