| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 课题的研究背景和意义 | 第7-8页 |
| 1.1.1 图像分割研究的背景和意义 | 第7页 |
| 1.1.2 深度学习的背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 论文主要贡献 | 第9页 |
| 1.4 论文组织结构 | 第9-11页 |
| 第二章 相关研究工作 | 第11-23页 |
| 2.1 图像分割算法综述 | 第11-14页 |
| 2.1.1 基于阈值的分割算法 | 第11-12页 |
| 2.1.2 基于边缘检测的分割方法 | 第12页 |
| 2.1.3 基于区域的分割方法 | 第12-13页 |
| 2.1.4 基于神经网络技术的图像分割方法 | 第13-14页 |
| 2.2 深度学习算法综述 | 第14-18页 |
| 2.2.1 人工神经网络 | 第14-17页 |
| 2.2.2 深度置信网络 | 第17页 |
| 2.2.3 深度卷积神经网络 | 第17-18页 |
| 2.3 基于卷积神经网络的图像语义分割 | 第18-23页 |
| 2.3.1 全卷积网络的网络结构 | 第18-20页 |
| 2.3.2 全卷积网络的特点 | 第20-23页 |
| 第三章 特征融合系数可学习化的语义分割 | 第23-33页 |
| 3.1 研究背景 | 第23-24页 |
| 3.2 算法框架 | 第24-27页 |
| 3.2.1 多尺度感知域 | 第24-25页 |
| 3.2.2 特征层的选择 | 第25-26页 |
| 3.2.3 学习算法 | 第26-27页 |
| 3.3 实验与分析 | 第27-32页 |
| 3.3.1 PASCAL VOC2012数据集及实验 | 第27-31页 |
| 3.3.2 PASCAL-Context数据集及实验 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于有效感知域的语义分割 | 第33-42页 |
| 4.1 研究背景 | 第33-34页 |
| 4.2 算法框架 | 第34-37页 |
| 4.2.1 扩张卷积 | 第34-35页 |
| 4.2.2 有效感知域 | 第35-36页 |
| 4.2.3 有效感知域密度 | 第36页 |
| 4.2.4 密集全局语义模块 | 第36-37页 |
| 4.3 实验与分析 | 第37-40页 |
| 4.3.1 有效感知域可视化 | 第37-38页 |
| 4.3.2 PASCAL VOC2012数据集及实验 | 第38-40页 |
| 4.3.3 PASCAL Context数据集及实验 | 第40页 |
| 4.4 本章小结 | 第40-42页 |
| 第五章 总结与展望 | 第42-44页 |
| 5.1 总结 | 第42页 |
| 5.2 展望 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 发表论文和参加科研情况说明 | 第48-49页 |
| 致谢 | 第49页 |
