基于卷积神经网络的街景图像分割方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 图像分割方法的国内外研究现状 | 第11-13页 |
| 1.2.1 图像语义分割方法研究现状 | 第11-12页 |
| 1.2.2 图像示例分割方法研究现状 | 第12-13页 |
| 1.3 论文的主要研究内容 | 第13-15页 |
| 1.4 本文章节安排 | 第15-17页 |
| 第二章 基于特征级联的街景图像分割算法研究 | 第17-31页 |
| 2.1 引言 | 第17-18页 |
| 2.2 本章算法框架 | 第18页 |
| 2.3 基于特征级联的街景图像分割算法 | 第18-21页 |
| 2.4 本文数据库介绍 | 第21-23页 |
| 2.5 实验结果与分析 | 第23-29页 |
| 2.5.1 主观性能评价 | 第23-26页 |
| 2.5.2 客观性能评价 | 第26-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 复杂街景环境下的小目标分割算法研究 | 第31-49页 |
| 3.1 引言 | 第31-32页 |
| 3.2 本章算法框架 | 第32页 |
| 3.3 基于多方向特征提取的街景小目标分割算法 | 第32-40页 |
| 3.3.1 现有小目标分割方法的利弊分析 | 第32-35页 |
| 3.3.2 基于多方向特征提取的图像分割算法 | 第35-40页 |
| 3.4 分割图像后处理 | 第40-42页 |
| 3.5 实验结果与分析 | 第42-48页 |
| 3.5.1 主观性能评价 | 第42-45页 |
| 3.5.2 客观性能评价 | 第45-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 基于TX2的深度学习快速街景分割系统 | 第49-58页 |
| 4.1 引言 | 第49-50页 |
| 4.2 本章算法框架 | 第50页 |
| 4.3 复杂街景环境下的快速图像分割算法 | 第50-53页 |
| 4.4 移动端算法移植 | 第53-55页 |
| 4.5 实验结果与分析 | 第55-57页 |
| 4.5.1 主观性能评价 | 第55-56页 |
| 4.5.2 客观性能评价 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 全文总结与展望 | 第58-60页 |
| 5.1 引言 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间取得的成果 | 第66页 |
