| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第17-27页 |
| 1.1 研究背景与意义 | 第17-20页 |
| 1.2 研究内容与目标 | 第20-23页 |
| 1.2.1 研究内容 | 第20-22页 |
| 1.2.2 研究目标 | 第22-23页 |
| 1.3 研究方法与创新 | 第23-25页 |
| 1.3.1 研究方法 | 第23-24页 |
| 1.3.2 创新之处 | 第24-25页 |
| 1.4 论文的组织结构 | 第25-27页 |
| 第2章 基于视觉影像数据的场景内容解析算法综述 | 第27-37页 |
| 2.1 局部场景内容解析的相关方法 | 第28-29页 |
| 2.1.1 基于手工特征的局部场景内容解析 | 第28页 |
| 2.1.2 基于模型假设的局部场景内容解析 | 第28-29页 |
| 2.1.3 基于学习的局部场景内容解析 | 第29页 |
| 2.2 全局场景内容解析的相关方法 | 第29-33页 |
| 2.2.1 基于传统方法的全局场景内容解析 | 第30-31页 |
| 2.2.2 基于深度学习的全局场景内容解析 | 第31-33页 |
| 2.3 场景内容解析研究趋势 | 第33页 |
| 2.4 国内外相关著名研究组 | 第33-34页 |
| 2.5 本章小结 | 第34-37页 |
| 第3章 基于在线边缘结构学习的局部场景内容解析 | 第37-61页 |
| 3.1 引言 | 第37-41页 |
| 3.1.1 方法概述 | 第39-40页 |
| 3.1.2 方法特色 | 第40-41页 |
| 3.2 多层级概率分析下的道路检测 | 第41-48页 |
| 3.2.1 道路边缘特征建模 | 第42-43页 |
| 3.2.2 在线结构SVM | 第43-47页 |
| 3.2.3 道路边界拟合 | 第47-48页 |
| 3.2.4 在线分类器更新 | 第48页 |
| 3.3 实验结果分析与讨论 | 第48-58页 |
| 3.3.1 实验数据 | 第49页 |
| 3.3.2 实验设置 | 第49-50页 |
| 3.3.3 参数选择 | 第50-53页 |
| 3.3.4 实验分析 | 第53-57页 |
| 3.3.5 实验讨论 | 第57-58页 |
| 3.4 本章小结 | 第58-61页 |
| 第4章 基于区域多层级概率分析的局部场景内容解析 | 第61-71页 |
| 4.1 引言 | 第61-63页 |
| 4.1.1 方法概述 | 第62-63页 |
| 4.1.2 方法特色 | 第63页 |
| 4.2 多层级概率分析下的道路检测 | 第63-67页 |
| 4.2.1 道路区域粗提取 | 第64页 |
| 4.2.2 先验信息估计 | 第64-66页 |
| 4.2.3 观测似然计算 | 第66-67页 |
| 4.3 实验结果分析与讨论 | 第67-69页 |
| 4.3.1 实验数据 | 第67页 |
| 4.3.2 实验设置 | 第67-68页 |
| 4.3.3 实验分析 | 第68-69页 |
| 4.4 本章小结 | 第69-71页 |
| 第5章 基于上下文分析和困难样本增强的全局场景内容解析 | 第71-89页 |
| 5.1 引言 | 第71-74页 |
| 5.1.1 方法概述 | 第72-73页 |
| 5.1.2 方法特色 | 第73-74页 |
| 5.2 基于层级概率图模型的上下文建模 | 第74-79页 |
| 5.2.1 条件随机场 | 第74-76页 |
| 5.2.2 层级上下文建模 | 第76-78页 |
| 5.2.3 上下文结构决策 | 第78-79页 |
| 5.3 基于样本损失增强策略的小样本学习 | 第79-81页 |
| 5.3.1 小样本定义 | 第79-80页 |
| 5.3.2 样本损失增强 | 第80-81页 |
| 5.3.3 权重计算 | 第81页 |
| 5.4 实验结果分析与讨论 | 第81-87页 |
| 5.4.1 实验数据 | 第82页 |
| 5.4.2 实验评价 | 第82-83页 |
| 5.4.3 参数设置 | 第83页 |
| 5.4.4 实验分析 | 第83-87页 |
| 5.5 本章小结 | 第87-89页 |
| 第6章 基于轮廓和自适应网络结构的全局场景内容解析 | 第89-107页 |
| 6.1 引言 | 第89-93页 |
| 6.1.1 方法概述 | 第91-92页 |
| 6.1.2 方法特色 | 第92-93页 |
| 6.2 基于轮廓和自适应网络结构的场景解析 | 第93-99页 |
| 6.2.1 基本模型 | 第93-95页 |
| 6.2.2 自适应深度的卷积神经网络 | 第95-97页 |
| 6.2.3 基于轮廓的卷积神经网络 | 第97-98页 |
| 6.2.4 全局推理 | 第98-99页 |
| 6.3 实验结果分析与讨论 | 第99-104页 |
| 6.3.1 实验数据及评价 | 第99-100页 |
| 6.3.2 实验设置 | 第100-101页 |
| 6.3.3 实验分析 | 第101-104页 |
| 6.4 本章小结 | 第104-107页 |
| 第7章 总结与展望 | 第107-111页 |
| 7.1 总结 | 第107-108页 |
| 7.2 展望 | 第108-111页 |
| 参考文献 | 第111-125页 |
| 致谢 | 第125-127页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第127-128页 |