基于深度学习的图像分割研究与应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外研究历史与现状 | 第10-14页 |
| 1.3 本文的主要贡献与创新 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-16页 |
| 第二章 相关理论基础 | 第16-37页 |
| 2.1 深度学习简介 | 第16-26页 |
| 2.1.1 深度学习历史回顾 | 第16-19页 |
| 2.1.2 深度学习经典模型介绍 | 第19-26页 |
| 2.2 图像分割算法介绍 | 第26-34页 |
| 2.2.1 阈值分割算法 | 第26-30页 |
| 2.2.2 分水岭算法 | 第30-31页 |
| 2.2.3 K-means算法 | 第31-34页 |
| 2.3 深度学习在图像分割中的应用 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 基于深度学习的图像分割算法 | 第37-50页 |
| 3.1 深度神经网络整体结构 | 第37-38页 |
| 3.2 深度神经网络结构详细解析 | 第38-49页 |
| 3.2.1 卷积与池化 | 第39-41页 |
| 3.2.2 激活函数 | 第41-42页 |
| 3.2.3 空洞卷积 | 第42-44页 |
| 3.2.4 转置卷积 | 第44-46页 |
| 3.2.5 损失函数 | 第46-47页 |
| 3.2.6 跳跃连接 | 第47-48页 |
| 3.2.7 迁移学习 | 第48-49页 |
| 3.2.8 分割网络层 | 第49页 |
| 3.3 本章小结 | 第49-50页 |
| 第四章 图像分割算法系统实现 | 第50-61页 |
| 4.1 系统结构设计 | 第50-53页 |
| 4.2 基本配置 | 第53-54页 |
| 4.3 数据预处理 | 第54-55页 |
| 4.4 DC-Unet模型搭建 | 第55-60页 |
| 4.4.1 CUDA基础介绍 | 第55-57页 |
| 4.4.2 深度学习框架Keras的使用 | 第57-58页 |
| 4.4.3 模型的搭建 | 第58-60页 |
| 4.5 模型训练 | 第60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 实验及结果分析 | 第61-71页 |
| 5.1 数据集 | 第61-63页 |
| 5.1.1 CamVid | 第61-62页 |
| 5.1.2 Pet | 第62页 |
| 5.1.3 Panda | 第62-63页 |
| 5.2 评价标准 | 第63-64页 |
| 5.2.1 分类平均正确率 | 第63-64页 |
| 5.2.2 全局正确率 | 第64页 |
| 5.3 基于CamVid数据集的实验 | 第64-66页 |
| 5.3.1 参数设置 | 第64页 |
| 5.3.2 实验结果与分析 | 第64-66页 |
| 5.4 基于Pet数据集的实验 | 第66-68页 |
| 5.4.1 参数设置 | 第66页 |
| 5.4.2 实验结果与分析 | 第66-68页 |
| 5.5 基于Panda数据集的实验 | 第68-70页 |
| 5.5.1 参数设置 | 第68-69页 |
| 5.5.2 实验结果与分析 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-72页 |
| 6.1 全文总结 | 第71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
