基于深度学习的图像语义分割技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 研究历史与现状 | 第15-18页 |
| 1.2.1 深度学习历史与现状 | 第15-17页 |
| 1.2.2 语义分割历史与现状 | 第17-18页 |
| 1.3 本文主要内容与贡献 | 第18-20页 |
| 1.3.1 弱监督和带先验语义分割 | 第18-19页 |
| 1.3.2 论文研究内容 | 第19-20页 |
| 1.4 本文结构安排 | 第20-21页 |
| 第二章 深度学习基础 | 第21-45页 |
| 2.1 网络层 | 第21-29页 |
| 2.1.1 全连接层 | 第22页 |
| 2.1.2 卷积层 | 第22-24页 |
| 2.1.3 激活层 | 第24-25页 |
| 2.1.3.1 Sigmoid | 第24页 |
| 2.1.3.2 Tanh | 第24-25页 |
| 2.1.3.3 ReLU | 第25页 |
| 2.1.4 池化层 | 第25-26页 |
| 2.1.5 Dropout层 | 第26-27页 |
| 2.1.6 批规范化层 | 第27-28页 |
| 2.1.7 Softmax层 | 第28-29页 |
| 2.2 卷积神经网络 | 第29-32页 |
| 2.2.1 典型CNN结构 | 第29-31页 |
| 2.2.1.1 AlexNet | 第29-30页 |
| 2.2.1.2 VGG | 第30页 |
| 2.2.1.3 ResNet | 第30-31页 |
| 2.2.2 常用CNN概念 | 第31-32页 |
| 2.2.2.1 感受野 | 第31-32页 |
| 2.2.2.2 特征图 | 第32页 |
| 2.2.2.3 全卷积神经网络 | 第32页 |
| 2.3 目标函数 | 第32-33页 |
| 2.4 优化方法 | 第33-38页 |
| 2.4.1 梯度下降 | 第34-35页 |
| 2.4.1.1 批量梯度下降 | 第34-35页 |
| 2.4.1.2 随机梯度下降 | 第35页 |
| 2.4.2 动量梯度下降 | 第35-36页 |
| 2.4.2.1 Nesterov动量梯度下降 | 第36页 |
| 2.4.3 学习率自适应梯度下降 | 第36-38页 |
| 2.4.3.1 AdaGrad | 第36-37页 |
| 2.4.3.2 RMSProp | 第37-38页 |
| 2.4.3.3 Adam | 第38页 |
| 2.5 模型评估与选择 | 第38-41页 |
| 2.5.1 模型评价 | 第39-40页 |
| 2.5.1.1 训练与测试误差 | 第39页 |
| 2.5.1.2 偏差与方差 | 第39-40页 |
| 2.5.1.3 拟合能力 | 第40页 |
| 2.5.2 性能指标 | 第40-41页 |
| 2.5.2.1 精确率和召回率 | 第40-41页 |
| 2.5.2.2 1指标 | 第41页 |
| 2.5.2.3 交并比 | 第41页 |
| 2.6 模型提升 | 第41-44页 |
| 2.6.1 数据增强 | 第42页 |
| 2.6.2 正则化 | 第42-43页 |
| 2.6.3 集成学习 | 第43页 |
| 2.6.4 网络优调 | 第43-44页 |
| 2.7 本章小结 | 第44-45页 |
| 第三章 基于空间金字塔掩盖池化的弱监督语义分割 | 第45-67页 |
| 3.1 弱监督语义分割 | 第45-47页 |
| 3.1.1 语义分割 | 第45-46页 |
| 3.1.2 全监督到弱监督 | 第46页 |
| 3.1.3 分类到分割 | 第46-47页 |
| 3.2 金字塔模型 | 第47-51页 |
| 3.2.1 图像金字塔 | 第47-48页 |
| 3.2.2 空间金字塔池化 | 第48-50页 |
| 3.2.3 空洞空间金字塔池化 | 第50-51页 |
| 3.3 模型方案 | 第51-59页 |
| 3.3.1 空间金字塔掩盖池化 | 第51-55页 |
| 3.3.1.1 掩盖池化结构 | 第52-53页 |
| 3.3.1.2 掩盖池化损失函数 | 第53-55页 |
| 3.3.2 网络结构 | 第55-56页 |
| 3.3.2.1 分类分割网络 | 第55-56页 |
| 3.3.2.2 显著性检测网络 | 第56页 |
| 3.3.3 网络分割图 | 第56-58页 |
| 3.3.4 目标函数 | 第58-59页 |
| 3.3.4.1 图像分类目标函数 | 第58页 |
| 3.3.4.2 分类分割联合目标函数 | 第58-59页 |
| 3.4 实验结果与分析 | 第59-66页 |
| 3.4.1 实验设置 | 第59-60页 |
| 3.4.2 分割性能 | 第60-62页 |
| 3.4.2.1 弱监督语义分割方法对比 | 第60页 |
| 3.4.2.2 类别激活图方法对比 | 第60-61页 |
| 3.4.2.3 各类别分割性能 | 第61-62页 |
| 3.4.3 分割效果 | 第62-65页 |
| 3.4.3.1 小目标分割 | 第62-63页 |
| 3.4.3.2 语义关系纠正 | 第63页 |
| 3.4.3.3 偏远目标定位 | 第63-65页 |
| 3.4.3.4 边缘细节优化 | 第65页 |
| 3.4.3.5 失败案例 | 第65页 |
| 3.4.4 实验综合分析 | 第65-66页 |
| 3.5 本章小结 | 第66-67页 |
| 第四章 基于中心整体性先验的黑色素瘤语义分割 | 第67-79页 |
| 4.1 数据背景与先验 | 第67-68页 |
| 4.2 模型方案 | 第68-73页 |
| 4.2.1 中心整体性图像截取 | 第68-69页 |
| 4.2.2 深度上采样语义分割网络 | 第69-71页 |
| 4.2.3 双向合页损失函数 | 第71-72页 |
| 4.2.4 条件随机场 | 第72-73页 |
| 4.2.5 算法流程 | 第73页 |
| 4.3 实验结果与分析 | 第73-78页 |
| 4.3.1 实验设置 | 第73-75页 |
| 4.3.1.1 超参数选取 | 第73-74页 |
| 4.3.1.2 训练与测试策略 | 第74-75页 |
| 4.3.2 分割效果 | 第75-77页 |
| 4.3.2.1 确定分割阈值 | 第75页 |
| 4.3.2.2 分割网络性能 | 第75-76页 |
| 4.3.2.3 数据增强性能 | 第76页 |
| 4.3.2.4 辅助损失函数性能 | 第76-77页 |
| 4.3.2.5 条件随机场性能 | 第77页 |
| 4.3.3 待改进方向 | 第77页 |
| 4.3.4 模型综合评价 | 第77-78页 |
| 4.4 本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 本文贡献 | 第79页 |
| 5.2 缺陷与不足 | 第79-80页 |
| 5.3 工作展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 攻硕期间取得的研究成果 | 第87页 |
