| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景和研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的主要工作和结构安排 | 第14-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 相关工作综述 | 第17-31页 |
| 2.1 概述 | 第17-19页 |
| 2.2 物体检测与图像分割 | 第19-21页 |
| 2.2.1 物体检测 | 第19-20页 |
| 2.2.2 图像分割 | 第20-21页 |
| 2.3 深度学习分类器 | 第21-27页 |
| 2.3.1 卷积神经网络 | 第22-25页 |
| 2.3.2 循环神经网络与长短期记忆网络 | 第25-27页 |
| 2.4 注意力机制 | 第27-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于Mask R-CNN的物体检测与图像分割 | 第31-51页 |
| 3.1 问题描述 | 第31-32页 |
| 3.2 Mask R-CNN原理概述 | 第32-34页 |
| 3.2.1 算法思想 | 第32页 |
| 3.2.2 框架介绍 | 第32-33页 |
| 3.2.3 重点结构介绍 | 第33-34页 |
| 3.3 实验数据说明 | 第34-40页 |
| 3.3.1 公开数据集概述 | 第34-38页 |
| 3.3.2 ground truth前景掩码预处理 | 第38-39页 |
| 3.3.3 ground truth包围盒预处理 | 第39-40页 |
| 3.4 训练与测试方法 | 第40-45页 |
| 3.4.1 训练方法 | 第40-42页 |
| 3.4.2 测试方法 | 第42-45页 |
| 3.5 实验结果与分析 | 第45-50页 |
| 3.5.1 物体检测测试结果 | 第45-47页 |
| 3.5.2 图像分割测试结果 | 第47-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 基于VGG网络的细粒度物体分类 | 第51-61页 |
| 4.1 问题描述 | 第51页 |
| 4.2 解决方案设计 | 第51-54页 |
| 4.3 训练与测试方法 | 第54-56页 |
| 4.3.1 训练方法 | 第54-55页 |
| 4.3.2 测试方法 | 第55-56页 |
| 4.4 实验结果与分析 | 第56-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第5章 结合注意力机制的细粒度物体分类 | 第61-72页 |
| 5.1 总体流程设计 | 第61-63页 |
| 5.2 注意力模型构建 | 第63-66页 |
| 5.2.1 注意力机制实现方法 | 第63页 |
| 5.2.2 损失函数 | 第63-65页 |
| 5.2.3 训练与测试方法 | 第65-66页 |
| 5.3 实验结果与分析 | 第66-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第6章 总结和展望 | 第72-74页 |
| 6.1 本文工作总结 | 第72-73页 |
| 6.2 后续工作展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间主要的研究成果 | 第79-80页 |
| 致谢 | 第80页 |