基于图像增强的语义分割方法研究与实现
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 深度学习的发展及研究现状 | 第11-12页 |
| 1.2.2 语义分割的发展及研究现状 | 第12-14页 |
| 1.3 本文的主要研究内容与章节安排 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 章节安排 | 第15-16页 |
| 第2章 卷积神经网络及语义分割基础 | 第16-36页 |
| 2.1 卷积神经网络 | 第16-24页 |
| 2.1.1 卷积层 | 第17-18页 |
| 2.1.2 池化层 | 第18-19页 |
| 2.1.3 全连接层 | 第19-20页 |
| 2.1.4 激活函数 | 第20-21页 |
| 2.1.5 卷积神经网络的优化 | 第21-22页 |
| 2.1.6 卷积神经网络的常见设计范式 | 第22-23页 |
| 2.1.7 卷积神经网络的其它相关概念 | 第23-24页 |
| 2.2 语义分割网络 | 第24-32页 |
| 2.2.1 FCN | 第24-26页 |
| 2.2.2 DeepLab | 第26-31页 |
| 2.2.3 PSPNet | 第31-32页 |
| 2.3 分割网络训练技巧及评价标准 | 第32-34页 |
| 2.3.1 训练技巧 | 第32-33页 |
| 2.3.2 语义分割任务的评价标准 | 第33-34页 |
| 2.4 本章总结 | 第34-36页 |
| 第3章 图像处理算法及注意力机制 | 第36-42页 |
| 3.1 传统图像处理算法 | 第36-37页 |
| 3.1.1 双边滤波器 | 第36页 |
| 3.1.2 直方图均衡化 | 第36页 |
| 3.1.3 加权最小二乘 | 第36页 |
| 3.1.4 引导滤波器 | 第36-37页 |
| 3.2 图像处理算法的神经网络化及其应用 | 第37-40页 |
| 3.3 注意力机制 | 第40-41页 |
| 3.4 本章总结 | 第41-42页 |
| 第4章 图像增强-注意力分割网络 | 第42-48页 |
| 4.1 图像增强网络 | 第43-45页 |
| 4.2 注意力网络 | 第45-46页 |
| 4.3 分割网络 | 第46页 |
| 4.4 训练策略 | 第46页 |
| 4.5 本章总结 | 第46-48页 |
| 第5章 实验结果与分析 | 第48-54页 |
| 5.1 数据集和评价指标 | 第48-49页 |
| 5.2 训练设置及细节 | 第49页 |
| 5.3 基于PASCAL VOC 2012的实验 | 第49-51页 |
| 5.3.1 注意力网络的对比实验 | 第51页 |
| 5.3.2 损失函数平衡参数的影响 | 第51页 |
| 5.4 基于COCO-Stuff 10K的实验 | 第51-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第6章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-60页 |
| 硕士期间成果及奖励 | 第60-61页 |
| 学位论文评阅及答辩情况表 | 第61页 |
