| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 智能驾驶的市场和前景 | 第10-11页 |
| 1.1.2 室外场景语义分割面临的挑战 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 章节安排 | 第15-17页 |
| 第二章 语义分割算法概述 | 第17-34页 |
| 2.1 语义分割数据库概述 | 第17-21页 |
| 2.1.1 室内外自然场景数据库 | 第17-18页 |
| 2.1.2 医学场景数据库 | 第18-19页 |
| 2.1.3 智能驾驶场景数据库 | 第19-21页 |
| 2.2 传统语义分割算法 | 第21-24页 |
| 2.2.1 自底向上语义分割模型 | 第21-23页 |
| 2.2.2 自顶向下语义分割模型 | 第23-24页 |
| 2.3 基于卷积神经网络的语义分割算法 | 第24-30页 |
| 2.3.1 卷积神经网络概述 | 第24-27页 |
| 2.3.2 基于卷积神经网络分割模型概述 | 第27-30页 |
| 2.4 语义分割评价方法 | 第30-33页 |
| 2.4.1 精确率 | 第30-32页 |
| 2.4.2 模型运行速度 | 第32页 |
| 2.4.3 模型稳定性 | 第32页 |
| 2.4.4 模型内存占用率 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 全卷积语义分割模型优化 | 第34-53页 |
| 3.1 传统卷积网络结构优化方法 | 第34-37页 |
| 3.1.1 分批标准化 | 第34-36页 |
| 3.1.2 空间池化 | 第36页 |
| 3.1.3 Dropout | 第36-37页 |
| 3.2 基于不同图片尺寸的卷积网络加速 | 第37-44页 |
| 3.2.1 问题介绍 | 第37-38页 |
| 3.2.2 多尺度网络输入实验设置 | 第38-39页 |
| 3.2.3 实验结果 | 第39-43页 |
| 3.2.4 实验结果分析 | 第43-44页 |
| 3.3 线性激励函数Re LU和参数线性激励函数PRe LU | 第44-48页 |
| 3.3.1 算法概述 | 第44-45页 |
| 3.3.2 结果对比及分析 | 第45-48页 |
| 3.4 多种下采样的网络优化对比 | 第48-52页 |
| 3.4.1 Lp范数池化介绍 | 第48页 |
| 3.4.2 实验设置 | 第48-49页 |
| 3.4.3 实验结果及分析 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于多层特征融合的快速场景语义分割模型 | 第53-61页 |
| 4.1 相关语义分割模型介绍 | 第53-55页 |
| 4.1.1 SegNet：编码-解码分割模型 | 第53-54页 |
| 4.1.2 HED：整体-嵌套边缘检测模型 | 第54-55页 |
| 4.2 多层特征融合模型的结构设计 | 第55-57页 |
| 4.3 实验结果及分析 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 基于深度边缘检测的层次场景语义分割模型 | 第61-72页 |
| 5.1 域转换模型 | 第61-64页 |
| 5.2 全局条件随机场 | 第64-65页 |
| 5.3 边缘滤波模型的结构设计 | 第65-67页 |
| 5.4 实验及结果分析 | 第67-71页 |
| 5.4.1 实验参数设值 | 第67-68页 |
| 5.4.2 实验结果及分析 | 第68-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间取得的成果 | 第81-82页 |