复杂场景下的基于双流网络的视频目标分割算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于图像处理的视频目标分割 | 第11-13页 |
| 1.2.2 基于深度学习的视频目标分割 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 论文的结构安排 | 第15-16页 |
| 第二章 视频目标分割算法相关技术 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 光流计算 | 第16-22页 |
| 2.2.1 经典光流求解 | 第16-17页 |
| 2.2.2 基于神经网络的光流计算 | 第17-19页 |
| 2.2.3 光流传递误差 | 第19-22页 |
| 2.3 全卷积网络 | 第22-24页 |
| 2.3.1 从图像分类到图像分割 | 第22-23页 |
| 2.3.2 全卷积网络 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于时空双流全卷积网络的自动目标分割算法 | 第26-44页 |
| 3.1 引言 | 第26页 |
| 3.2 双流全卷积网络的结构设计 | 第26-36页 |
| 3.2.1 双流全卷积网络结构 | 第27-28页 |
| 3.2.2 网络结构解析 | 第28-35页 |
| 3.2.2.1 带孔卷积 | 第29-31页 |
| 3.2.2.2 激活函数 | 第31-33页 |
| 3.2.2.3 损失函数 | 第33-34页 |
| 3.3.2.4 多尺度特征融合 | 第34-35页 |
| 3.3.2.5 迁移学习 | 第35页 |
| 3.2.3 双流网络的分割结果 | 第35-36页 |
| 3.3 模型融合 | 第36-37页 |
| 3.4 概率图模型 | 第37-41页 |
| 3.4.1 条件随机场 | 第38-39页 |
| 3.4.2 马尔科夫随机场 | 第39-41页 |
| 3.5 结果分析 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 基于光流的双流网络优化 | 第44-56页 |
| 4.1 引言 | 第44-45页 |
| 4.2 时间流网络的特征融合优化 | 第45-50页 |
| 4.2.1 时间流网络的输入 | 第45-46页 |
| 4.2.2 分割结果融合 | 第46-50页 |
| 4.2.2.1 置信概率 | 第46-47页 |
| 4.2.2.2 融合权重 | 第47-48页 |
| 4.2.2.3 融合过程 | 第48-50页 |
| 4.3 空间流网络的特征融合优化 | 第50-53页 |
| 4.3.1 空间流网络的输入 | 第50-51页 |
| 4.3.2 特征聚合过程 | 第51-53页 |
| 4.3.2.1 特征传递 | 第51页 |
| 4.3.2.2 特征融合 | 第51-53页 |
| 4.4 时空双流全卷积网络优化方案 | 第53-54页 |
| 4.5 本章小节 | 第54-56页 |
| 第五章 实验与结果分析 | 第56-78页 |
| 5.1 实验设置 | 第56-60页 |
| 5.1.1 软硬件环境配置 | 第56页 |
| 5.1.2 深度学习框架 | 第56-59页 |
| 5.1.3 实验数据集选取 | 第59-60页 |
| 5.2 评价标准 | 第60-63页 |
| 5.2.1 精确度评价标准(IOU) | 第60-61页 |
| 5.2.2 鲁棒性评价标准 | 第61-62页 |
| 5.2.3 轮廓精确度(F-Measure) | 第62-63页 |
| 5.3 同类算法还原 | 第63-66页 |
| 5.4 实验结果分析 | 第66-77页 |
| 5.4.1 融合网络与优化融合网络的结果对比 | 第66-72页 |
| 5.4.2 优化融合网络与同类算法的结果对比 | 第72-77页 |
| 5.5 本章小节 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 全文工作总结 | 第78-79页 |
| 6.2 未来工作展望 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 在读期间发表的学术论文与取得的研究成果 | 第86-87页 |
| 致谢 | 第87页 |
