| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 研究背景 | 第14-16页 |
| 1.1.1 光场模型 | 第14-15页 |
| 1.1.2 光场图像的获取 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-28页 |
| 1.2.1 光场图像的压缩算法 | 第16-18页 |
| 1.2.2 静态图像和视频对象的分割算法 | 第18-22页 |
| 1.2.3 基于深度学习的图像分割算法 | 第22-26页 |
| 1.2.4 基于深度学习的视频序列分割算法 | 第26-28页 |
| 1.3 论文章节安排 | 第28-30页 |
| 第2章 基于SIFT特征帧间相似性度量的压缩算法 | 第30-41页 |
| 2.1 伪序列的分解 | 第30-32页 |
| 2.2 二维层次编码顺序 | 第32-33页 |
| 2.3 SIFT特征提取 | 第33-34页 |
| 2.4 基于SIFT特征的参考帧选择 | 第34-37页 |
| 2.5 量化参数的选择 | 第37-38页 |
| 2.6 实验结果与分析 | 第38-40页 |
| 2.6.1 实验参数设置 | 第38页 |
| 2.6.2 实验结果与对比 | 第38-40页 |
| 2.7 本章小结 | 第40-41页 |
| 第3章 基于时不变特征帧间相似性度量的对象分割算法 | 第41-62页 |
| 3.1 基于严格时间不变性特征的分割网络 | 第42-51页 |
| 3.1.1 U-Net | 第42-43页 |
| 3.1.2 孪生网络 | 第43-44页 |
| 3.1.3 网络结构 | 第44-45页 |
| 3.1.4 收敛到时不变特征的损失函数 | 第45-50页 |
| 3.1.5 网络的训练过程 | 第50-51页 |
| 3.1.6 网络的测试过程 | 第51页 |
| 3.2 基于LSTM和弱时间不变性特征的分割网络 | 第51-54页 |
| 3.2.1 LSTM | 第51-52页 |
| 3.2.2 网络结构 | 第52-53页 |
| 3.2.3 网络的训练过程 | 第53-54页 |
| 3.2.4 网络的测试过程 | 第54页 |
| 3.3 使用强化学习处理全局运动 | 第54-57页 |
| 3.3.1 强化学习 | 第54-57页 |
| 3.3.2 网络结构 | 第57页 |
| 3.3.3 网络的训练 | 第57页 |
| 3.3.4 网络的测试 | 第57页 |
| 3.4 实验结果与分析 | 第57-60页 |
| 3.4.1 实验参数设置 | 第57-58页 |
| 3.4.2 实验结果与对比 | 第58-60页 |
| 3.5 本章小结 | 第60-62页 |
| 第4章 总结和展望 | 第62-65页 |
| 4.1 论文工作总结 | 第62-63页 |
| 4.2 对未来工作的展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 在读期间发表的学术论文与取得的研究成果 | 第69页 |