| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 课题研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 论文研究内容 | 第14页 |
| 1.5 论文结构安排 | 第14-16页 |
| 第2章 相关基础知识 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 深度图像 | 第16-17页 |
| 2.3 深度图像遮挡相关知识 | 第17-18页 |
| 2.3.1 遮挡现象及遮挡边界 | 第17-18页 |
| 2.3.2 遮挡相关特征 | 第18页 |
| 2.4 神经网络 | 第18-20页 |
| 2.4.1 误差逆传播算法 | 第18-19页 |
| 2.4.2 Sigmoid激活函数 | 第19-20页 |
| 2.5 卷积神经网络 | 第20-24页 |
| 2.5.1 局部感受野 | 第20-21页 |
| 2.5.2 下采样 | 第21-22页 |
| 2.5.3 共享权重 | 第22-23页 |
| 2.5.4 小批量梯度下降 | 第23页 |
| 2.5.5 ReLU激活函数 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于BP网络实现深度图像遮挡边界检测 | 第25-34页 |
| 3.1 引言 | 第25页 |
| 3.2 方法总体思想 | 第25-26页 |
| 3.3 新遮挡相关特征的提出及引入 | 第26-27页 |
| 3.4 非线性归一化方法 | 第27-28页 |
| 3.5 特征筛选及检测模型搭建 | 第28-32页 |
| 3.5.1 随机森林构建 | 第29-30页 |
| 3.5.2 随机森林特征重要性评估 | 第30-31页 |
| 3.5.3 神经网络模型搭建 | 第31-32页 |
| 3.6 算法描述 | 第32-33页 |
| 3.7 本章小结 | 第33-34页 |
| 第4章 基于卷积神经网络实现深度图像遮挡边界检测 | 第34-45页 |
| 4.1 引言 | 第34页 |
| 4.2 方法总体思想 | 第34-35页 |
| 4.3 边界卷积网络结构 | 第35-39页 |
| 4.4 边界卷积网络训练 | 第39-43页 |
| 4.4.1 边界卷积网络损失函数 | 第39-40页 |
| 4.4.2 边界卷积网络的前向传播 | 第40-42页 |
| 4.4.3 边界卷积网络的反向传递 | 第42-43页 |
| 4.5 卷积神经网络检测深度图像遮挡边界及分析 | 第43-44页 |
| 4.6 算法描述 | 第44页 |
| 4.7 本章小结 | 第44-45页 |
| 第5章 实验及分析 | 第45-58页 |
| 5.1 实验环境及数据集 | 第45-47页 |
| 5.1.1 BP网络实现遮挡检测实验环境 | 第45页 |
| 5.1.2 边界卷积网络实现遮挡检测实验环境 | 第45-46页 |
| 5.1.3 实验数据集 | 第46-47页 |
| 5.2 基于BP网络方法的实验及分析 | 第47-52页 |
| 5.2.1 基于不同特征的遮挡边界检测比较 | 第48-49页 |
| 5.2.2 未归一化、线性归一化方法与非线性归一化方法比较 | 第49-51页 |
| 5.2.3 本文方法与其他方法比较 | 第51-52页 |
| 5.3 基于边界卷积网络方法的实验及分析 | 第52-57页 |
| 5.3.1 实验方案 | 第52页 |
| 5.3.2 基于Mini-batch的损失实验结果 | 第52-53页 |
| 5.3.3 基于边界卷积网络模型的精度实验结果 | 第53-54页 |
| 5.3.4 基于边界卷积神经网络的遮挡检测结果 | 第54-56页 |
| 5.3.5 不同遮挡检测方法实验对比 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65页 |