| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究的背景与意义 | 第9-11页 |
| 1.1.1 图像标签的分类 | 第9-10页 |
| 1.1.2 图像的语义分割 | 第10页 |
| 1.1.3 分割模型的分类 | 第10-11页 |
| 1.2 国内外研究动态与现状 | 第11-13页 |
| 1.2.1 全监督语义分割 | 第11-12页 |
| 1.2.2 弱监督语义分割 | 第12-13页 |
| 1.2.3 半监督语义分割 | 第13页 |
| 1.2.4 主题模型 | 第13页 |
| 1.3 论文主要内容与组织结构 | 第13-15页 |
| 第二章 主题模型的基本原理和语义分割的评价方法 | 第15-31页 |
| 2.1 主题模型简介 | 第15-22页 |
| 2.1.1 朴素贝叶斯模型 | 第15-17页 |
| 2.1.2 PSLA | 第17-18页 |
| 2.1.3 LDA | 第18-22页 |
| 2.2 LDA的原理和推导 | 第22-29页 |
| 2.2.1 基于吉布斯采样的LDA模型推导 | 第22-27页 |
| 2.2.2 LDA的训练 | 第27-28页 |
| 2.2.3 LDA的测试 | 第28-29页 |
| 2.3 评价方法 | 第29-31页 |
| 2.3.1 数据集 | 第29页 |
| 2.3.2 主要技术指标 | 第29-31页 |
| 第三章 基于LDA主题模型的弱监督语义分割 | 第31-53页 |
| 3.1 引言 | 第31页 |
| 3.2 图片转换到主题模型 | 第31-38页 |
| 3.2.1 图片的输入 | 第32页 |
| 3.2.2 图片的过分割 | 第32-33页 |
| 3.2.3 超像素的特征提取 | 第33-37页 |
| 3.2.4 特征聚类形成码书(codebook) | 第37-38页 |
| 3.2.5 矢量量化形成文本 | 第38页 |
| 3.3 弱监督情况下基于LDA的语义分割模型 | 第38-47页 |
| 3.3.1 Tag节点 | 第41-42页 |
| 3.3.2 Saliency节点 | 第42-46页 |
| 3.3.3 MRF节点 | 第46-47页 |
| 3.3.4 训练和测试 | 第47页 |
| 3.4 实验与分析 | 第47-52页 |
| 3.4.1 实验设计 | 第47-48页 |
| 3.4.2 基于MSRC21验证所加入节点的效果 | 第48-49页 |
| 3.4.3 基于MSRC21和VOC12与其他算法进行对比 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 稀疏主题模型和自学习框架 | 第53-70页 |
| 4.1 引言 | 第53页 |
| 4.2 稀疏主题模型(STM) | 第53-58页 |
| 4.2.1 训练过程 | 第56-58页 |
| 4.2.2 测试过程 | 第58页 |
| 4.3 自学习框架(Self-paced Frame,SPF) | 第58-64页 |
| 4.3.1 训练过程中步骤1的具体流程 | 第59-64页 |
| 4.3.2 测试过程 | 第64页 |
| 4.4 实验与分析 | 第64-69页 |
| 4.4.1 实验设计 | 第64-65页 |
| 4.4.2 基于MSRC21验证稀疏主题模型的效果 | 第65-66页 |
| 4.4.3 基于MSRC21验证SPF测试过程中两个影响因子的效果 | 第66页 |
| 4.4.4 基于MSRC21和VOC12对比SPF和其他算法 | 第66-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文工作总结 | 第70-71页 |
| 5.2 未来工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 在学期间所取得的科研成果 | 第76页 |
