| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 图像语义分割研究背景 | 第10-11页 |
| 1.1.2 图像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 本文的主要研究内容 | 第15-16页 |
| 1.4 本文的结构组织 | 第16-17页 |
| 第二章 相关理论和技术 | 第17-33页 |
| 2.1 基于传统特征的图像语义分割 | 第17-20页 |
| 2.1.1 自底向上的图像语义分割方法 | 第17-20页 |
| 2.1.2 自上而下的图像语义分割方法 | 第20页 |
| 2.2 基于深度学习的图像语义分割 | 第20-31页 |
| 2.2.1 基于解码器变体 | 第21-25页 |
| 2.2.2 基于条件随机场 | 第25-26页 |
| 2.2.3 基于特征融合 | 第26-27页 |
| 2.2.4 基于空洞卷积 | 第27-28页 |
| 2.2.5 基于上下文信息 | 第28-30页 |
| 2.2.6 基于递归神经网络 | 第30-31页 |
| 2.3 图像语义分割算法评估指标 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于特征融合和困难样例挖掘的图像语义分割 | 第33-49页 |
| 3.1 方法概述 | 第33-35页 |
| 3.2 基于DeepLab的粗粒度图像语义分割网络 | 第35-40页 |
| 3.2.1 主干网络结构 | 第36-38页 |
| 3.2.2 空间金字塔池化 | 第38-40页 |
| 3.3 基于特征融合的分割残差拟合器 | 第40-44页 |
| 3.3.1 分割残差拟合器的特征细化策略 | 第41-42页 |
| 3.3.2 分割残差拟合器的特征融合策略 | 第42-44页 |
| 3.4 语义信息高速通道 | 第44页 |
| 3.5 辅助监督策略 | 第44-45页 |
| 3.6 加权损失函数 | 第45-47页 |
| 3.7 本章小结 | 第47-49页 |
| 第四章 实验与结果分析 | 第49-69页 |
| 4.1 实验数据集 | 第49-51页 |
| 4.1.1 PASCAL VOC 2012 | 第49-50页 |
| 4.1.2 PASCAL-CONTEXT | 第50-51页 |
| 4.2 实验细节 | 第51-52页 |
| 4.3 特征融合困难样例挖掘网络的评估 | 第52-62页 |
| 4.3.1 基于逐通道拼接的特征融合策略 | 第52-54页 |
| 4.3.2 语义信息高速通道 | 第54-55页 |
| 4.3.3 辅助监督策略 | 第55-58页 |
| 4.3.4 分割残差修正器 | 第58-60页 |
| 4.3.5 综合评估 | 第60-62页 |
| 4.4 与前沿方法的对比 | 第62-67页 |
| 4.5 本章小结 | 第67-69页 |
| 总结与展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |