基于深度卷积神经网络的图像语义分割研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文组织安排 | 第15-17页 |
| 第2章 语义分割简介 | 第17-31页 |
| 2.1 传统语义分割方法 | 第17-20页 |
| 2.1.1 阈值分割 | 第17-18页 |
| 2.1.2 边缘检测 | 第18-19页 |
| 2.1.3 区域分割 | 第19页 |
| 2.1.4 结合特定理论的分割方法 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-24页 |
| 2.2.1 卷积神经网络概述 | 第20-23页 |
| 2.2.2 经典卷积神经网络模型 | 第23页 |
| 2.2.3 卷积神经网络小结 | 第23-24页 |
| 2.3 基于深度学习的图像语义分割方法 | 第24-29页 |
| 2.3.1 全卷积网络FCN | 第26-27页 |
| 2.3.2 编解码卷积神经网络SegNet | 第27页 |
| 2.3.3 Deeplabv3-plus算法 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于编解码结构的图像语义分割算法 | 第31-49页 |
| 3.1 问题描述 | 第31页 |
| 3.2 基于编解码结构的图像语义分割算法 | 第31-41页 |
| 3.2.1 深度残差网络 | 第33-35页 |
| 3.2.2 基于互质因子的ASPP模块 | 第35-39页 |
| 3.2.2.1 空洞卷积 | 第35-36页 |
| 3.2.2.2 空间空洞金字塔池化 | 第36-37页 |
| 3.2.2.3 基于互质因子的ASPP模块 | 第37-39页 |
| 3.2.3 上采样 | 第39-41页 |
| 3.2.3.1 双线性插值、DUC和反卷积 | 第40-41页 |
| 3.3 算法仿真 | 第41-48页 |
| 3.3.1 实验环境 | 第41-42页 |
| 3.3.2 实验数据 | 第42页 |
| 3.3.3 评判标准 | 第42-43页 |
| 3.3.4 上采样部分实验 | 第43-45页 |
| 3.3.5 基于编解码结构的图像语义分割算法实验 | 第45-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于局部增强的图像语义分割算法 | 第49-61页 |
| 4.1 问题描述 | 第49-50页 |
| 4.2 局部增强 | 第50-56页 |
| 4.2.1 局部增强概述 | 第50-52页 |
| 4.2.2 实验结果与分析 | 第52-56页 |
| 4.3 数据增强 | 第56-59页 |
| 4.3.1 数据增强概述 | 第56页 |
| 4.3.2 实验结果与分析 | 第56-59页 |
| 4.4 本章小结 | 第59-61页 |
| 第5章 结论与展望 | 第61-63页 |
| 5.1 本文工作总结 | 第61-62页 |
| 5.2 未来研究方向 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第71页 |
