| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第12-32页 |
| 1.1 研究的背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-28页 |
| 1.2.1 基于卷积神经网络的方法 | 第14-20页 |
| 1.2.2 基于条件随机场的方法 | 第20-21页 |
| 1.2.3 基于长短期记忆网络的方法 | 第21-27页 |
| 1.2.4 训练数据集 | 第27-28页 |
| 1.2.5 网络性能的评价标准 | 第28页 |
| 1.3 论文的主要工作内容 | 第28-29页 |
| 1.4 论文的组织结构 | 第29-32页 |
| 第2章 面向RGB场景解析的空间结构化编码深度网络 | 第32-58页 |
| 2.1 引言 | 第32-34页 |
| 2.2 空间结构化编码深度网络 | 第34-45页 |
| 2.2.1 基于全卷积神经网络的特征提取层 | 第35-37页 |
| 2.2.2 基于条件随机场和空间结构化编码算法的结构化学习层 | 第37-42页 |
| 2.2.3 基于深度置信网络和改进条件随机场的特征融合层 | 第42-45页 |
| 2.3 实验与分析 | 第45-56页 |
| 2.3.1 训练数据集和网络性能评价标准 | 第45-46页 |
| 2.3.2 实验环境和SSEDNs的参数设置 | 第46-49页 |
| 2.3.3 实验结果和分析 | 第49-56页 |
| 2.4 本章小结 | 第56-58页 |
| 第3章 面向RGB-D场景解析的三维空间结构化编码深度网络 | 第58-84页 |
| 3.1 引言 | 第58-59页 |
| 3.2 三维空间结构化编码深度网络 | 第59-71页 |
| 3.2.1 基于双路并行全卷积神经网络的特征提取层 | 第61-63页 |
| 3.2.2 基于条件随机场和三维空间结构化编码算法的结构化学习层 | 第63-69页 |
| 3.2.3 面向RGB和深度图像信息的特征融合层 | 第69-71页 |
| 3.3 实验与分析 | 第71-83页 |
| 3.3.1 训练数据集和网络性能评价标准 | 第71-72页 |
| 3.3.2 实验环境和3D-SSEDNs的参数设置 | 第72-75页 |
| 3.3.3 实验结果和分析 | 第75-83页 |
| 3.4 本章小结 | 第83-84页 |
| 第4章 基于长短期记忆网络的全局上下文信息推理深度网络 | 第84-114页 |
| 4.1 引言 | 第84-85页 |
| 4.2 全局上下文信息推理深度网络 | 第85-95页 |
| 4.2.1 基于多孔卷积神经网络的多维视觉特征提取 | 第86-87页 |
| 4.2.2 基于长短期记忆网络的全局上下文信息推理 | 第87-91页 |
| 4.2.3 基于卷积神经网络的多模态特征融合 | 第91-92页 |
| 4.2.4 面向RGB-D场景解析的全局上下文信息推理深度网络 | 第92-95页 |
| 4.3 实验与分析 | 第95-113页 |
| 4.3.1 训练数据集和网络性能评价标准 | 第95页 |
| 4.3.2 实验环境和GCIIDNs的参数设置 | 第95-96页 |
| 4.3.3 实验结果和分析 | 第96-113页 |
| 4.4 本章小结 | 第113-114页 |
| 第5章 基于对抗训练的空间结构化推理嵌入式对抗网络 | 第114-139页 |
| 5.1 引言 | 第114页 |
| 5.2 空间结构化推理嵌入式对抗网络 | 第114-120页 |
| 5.2.1 面向空间结构化推理的生成网络设计 | 第115-117页 |
| 5.2.2 基于卷积神经网络的判别网络设计 | 第117-118页 |
| 5.2.3 对抗训练方法 | 第118-120页 |
| 5.3 实验与分析 | 第120-138页 |
| 5.3.1 训练数据集和网络性能评价标准 | 第120页 |
| 5.3.2 实验环境和SSIEANs的参数设置 | 第120-122页 |
| 5.3.3 实验结果和分析 | 第122-138页 |
| 5.4 本章小结 | 第138-139页 |
| 结论 | 第139-141页 |
| 参考文献 | 第141-151页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第151-153页 |
| 致谢 | 第153页 |
