弱监督下的RGB-D图像语义分割算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 图像语义分割的背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 室内外场景研究 | 第10-11页 |
| 1.2.2 传统方法与深度学习方法的比较 | 第11-12页 |
| 1.2.3 不同监督方式的研究 | 第12页 |
| 1.3 RGB-D图像数据集 | 第12-15页 |
| 1.3.1 深度图像信息的获取与处理 | 第12-13页 |
| 1.3.2 现有RGB-D数据集 | 第13-14页 |
| 1.3.3 本文实验使用的数据集 | 第14-15页 |
| 1.4 本文研究内容与章节安排 | 第15-17页 |
| 第二章 图像语义分割模型及相关技术 | 第17-26页 |
| 2.1 引言 | 第17页 |
| 2.2 自底向上的分割模型 | 第17-22页 |
| 2.2.1 超像素分割 | 第18-19页 |
| 2.2.2 类别分类器 | 第19-21页 |
| 2.2.3 随机场优化 | 第21-22页 |
| 2.3 弱监督下的语义分割 | 第22-24页 |
| 2.4 本文算法的整体框架 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于随机森林的语义标注 | 第26-38页 |
| 3.1 引言 | 第26页 |
| 3.2 随机森林理论 | 第26-28页 |
| 3.2.1 决策树 | 第26-27页 |
| 3.2.2 决策森林 | 第27-28页 |
| 3.3 特征提取 | 第28-32页 |
| 3.3.1 区域特征描述及优化 | 第28-31页 |
| 3.3.2 组合模式研究 | 第31页 |
| 3.3.3 特征的随机性 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-36页 |
| 3.4.1 随机森林不同参数的结果分析 | 第32-34页 |
| 3.4.2 不同特征组合模式及优化的结果分析 | 第34-35页 |
| 3.4.3 不同训练样本量的结果分析 | 第35-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 基于条件随机场的全局优化 | 第38-48页 |
| 4.1 引言 | 第38页 |
| 4.2 条件随机场理论 | 第38-40页 |
| 4.2.1 基本模型组成 | 第38-39页 |
| 4.2.2 学习与推断 | 第39-40页 |
| 4.3 改进型超像素预分割 | 第40-41页 |
| 4.4 构建图像的条件随机场模型及优化 | 第41-44页 |
| 4.4.1 超像素特征的描述与优化 | 第41-43页 |
| 4.4.2 势能特征函数的设置 | 第43-44页 |
| 4.4.3 使用结构化SVM学习推断 | 第44页 |
| 4.5 实验结果与分析 | 第44-47页 |
| 4.5.1 超像素预分割的结果分析 | 第44-45页 |
| 4.5.2 全局优化的结果分析 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 基于图像评价的反馈式弱分割机制 | 第48-59页 |
| 5.1 引言 | 第48页 |
| 5.2 图像分割评价理论 | 第48-49页 |
| 5.3 反馈式的弱监督分割机制 | 第49-53页 |
| 5.3.1 改进型基于图的无监督图像分割 | 第50-51页 |
| 5.3.2 图像筛选器 | 第51-53页 |
| 5.3.3 递归式反馈 | 第53页 |
| 5.4 实验结果与分析 | 第53-57页 |
| 5.4.1 筛选器不同阈值条件的结果分析 | 第54-55页 |
| 5.4.2 迭代次数影响的结果分析 | 第55-56页 |
| 5.4.3 对比其他算法的结果分析 | 第56-57页 |
| 5.5 本章小结 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59页 |
| 6.2 存在问题与展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |
