| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 国内外研究现状和发展趋势 | 第8-13页 |
| 1.2.1 基于传统方法的图像分割研究 | 第8-11页 |
| 1.2.2 基于深度学习的图像语义分割研究 | 第11-13页 |
| 1.3 本文研究内容和组织结构 | 第13-15页 |
| 第二章 图像语义分割概述与神经网络基础 | 第15-27页 |
| 2.1 引言 | 第15页 |
| 2.2 图像语义分割 | 第15-19页 |
| 2.2.1 图像语义分割常用数据集 | 第15-18页 |
| 2.2.2 图像语义分割评价指标 | 第18-19页 |
| 2.3 深度卷积神经网络基本结构 | 第19-26页 |
| 2.3.1 卷积层 | 第19-20页 |
| 2.3.2 非线性激活函数 | 第20-23页 |
| 2.3.3 池化层 | 第23-24页 |
| 2.3.4 批正则化层(BatchNormalization) | 第24-25页 |
| 2.3.5 全连接层和Dropout层 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 联合长短时记忆网络和全卷积的图像语义分割 | 第27-46页 |
| 3.1 引言 | 第27页 |
| 3.2 基于全卷积网络的图像语义分割 | 第27-34页 |
| 3.2.1 全卷积化 | 第27-28页 |
| 3.2.2 上采样层 | 第28-29页 |
| 3.2.3 构建分割网络 | 第29-30页 |
| 3.2.4 实验及分析 | 第30-34页 |
| 3.2.4.1 训练设置及分析 | 第30-32页 |
| 3.2.4.2 结果讨论和分析 | 第32-34页 |
| 3.3 基于空间长短时记忆网络的图像语义分割 | 第34-41页 |
| 3.3.1 长短时记忆网络理论介绍 | 第34-37页 |
| 3.3.2 空间长短时记忆网络 | 第37-38页 |
| 3.3.3 实验及分析 | 第38-41页 |
| 3.4 联合长短时记忆和全卷积的图像语义分割 | 第41-45页 |
| 3.4.1 联合空间长短时记忆和全卷积的网络结构 | 第41-42页 |
| 3.4.2 实验和分析 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 集成上下文信息和多尺度信息的图像语义分割 | 第46-66页 |
| 4.1 引言 | 第46页 |
| 4.2 集成上下文信息的图像语义分割 | 第46-49页 |
| 4.2.1 空洞卷积 | 第46-47页 |
| 4.2.2 级联空洞卷积 | 第47-49页 |
| 4.3 集成多尺度信息的图像语义分割 | 第49-52页 |
| 4.3.1 金字塔池化模块 | 第50-51页 |
| 4.3.2 多孔空间金字塔池化 | 第51-52页 |
| 4.4 编码-解码器结构 | 第52-53页 |
| 4.5 集成上下文和多尺度信息的图像语义分割 | 第53-65页 |
| 4.5.1 主干网络结构 | 第53-54页 |
| 4.5.2 混合的级联空洞卷积 | 第54-55页 |
| 4.5.3 并行的多尺度模块 | 第55-56页 |
| 4.5.4 两级上采样解码器 | 第56-57页 |
| 4.5.5 实验和分析 | 第57-65页 |
| 4.5.5.1 超参数Batch_size和梯度衰减系数的选择 | 第57-59页 |
| 4.5.5.2 使用不同模块的具体实验 | 第59-61页 |
| 4.5.5.3 实验的可视化比较 | 第61-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第五章 总结和展望 | 第66-68页 |
| 5.1 本文工作总结 | 第66-67页 |
| 5.2 未来工作展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间取得的成果 | 第74页 |