基于深度学习的高分影像城区道路提取
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 深度学习的发展及现状 | 第12-15页 |
| 1.4 论文内容及结构 | 第15-16页 |
| 第二章 城区路网检测算法基础 | 第16-35页 |
| 2.1 传统道路检测方法流程与原理 | 第16-22页 |
| 2.1.1 基于图像分割方法的路网检测 | 第16-19页 |
| 2.1.2 基于传统机器学习方法的路网检测 | 第19-22页 |
| 2.2 深度学习关键技术 | 第22-33页 |
| 2.2.1 关键技术简介 | 第22-29页 |
| 2.2.2 卷积神经网络(CNNs) | 第29-31页 |
| 2.2.3 全卷积神经网络(FCNs) | 第31-33页 |
| 2.3 常见的深度学习框架及其对比 | 第33-35页 |
| 第三章 基于全卷积神经网络的路网检测方法 | 第35-47页 |
| 3.1 基于层次化级联多任务网络的路网检测方法 | 第35-41页 |
| 3.1.1 模型架构 | 第35-38页 |
| 3.1.2 损失函数 | 第38-40页 |
| 3.1.3 深度监督策略 | 第40-41页 |
| 3.2 后处理优化 | 第41-47页 |
| 3.2.1 人机交互优化方法 | 第42-43页 |
| 3.2.2 双线性融合 | 第43-44页 |
| 3.2.3 道路中心线直线拟合 | 第44-47页 |
| 第四章 实验结果及分析 | 第47-65页 |
| 4.1 数据库介绍和评测标准 | 第47-50页 |
| 4.2 RoadNet训练和测试 | 第50-51页 |
| 4.3 RoadNet实现结果及分析 | 第51-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 研究总结 | 第65-66页 |
| 5.2 工作展望 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 攻读硕士期间科研经历与科研成果 | 第75-77页 |
| 致谢 | 第77-78页 |
