深度学习驱动的场景分析和语义目标解析
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-24页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-21页 |
| 1.3 本文主要研究内容 | 第21-22页 |
| 1.4 本文的组织结构 | 第22-23页 |
| 1.5 本章小结 | 第23-24页 |
| 第2章 相关工作 | 第24-43页 |
| 2.1 单张图像深度估计 | 第24-26页 |
| 2.2 光流估计 | 第26-29页 |
| 2.3 行人细粒度解析 | 第29-31页 |
| 2.4 神经网络中的深度学习 | 第31-42页 |
| 2.4.1 深度学习模型 | 第31-37页 |
| 2.4.2 本文相关网络模型 | 第37-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第3章 基于深度学习的单张图像深度估计 | 第43-57页 |
| 3.1 基准算法设计 | 第43-45页 |
| 3.2 本文改进的上下文特征学习 | 第45-47页 |
| 3.3 本文改进的损失函数 | 第47-50页 |
| 3.4 实验结果分析 | 第50-55页 |
| 3.4.1 数据集与评价标准 | 第50页 |
| 3.4.2 实验设置 | 第50-52页 |
| 3.4.3 实验分析 | 第52-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第4章 基于深度学习的光流估计 | 第57-66页 |
| 4.1 基准算法设计 | 第57-58页 |
| 4.2 本文改进的相关性学习 | 第58-59页 |
| 4.3 本文设计的后处理模型 | 第59-60页 |
| 4.4 实验结果分析 | 第60-65页 |
| 4.4.1 数据集及评价标准介绍 | 第60-62页 |
| 4.4.2 实验设置 | 第62页 |
| 4.4.3 实验分析 | 第62-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第5章 基于深度学习的行人细粒度分析 | 第66-74页 |
| 5.1 本文提出的行人部件检测识别联合学习 | 第67-68页 |
| 5.2 本文提出的行人部件检测识别分阶段学 | 第68-69页 |
| 5.3 实验结果分析 | 第69-72页 |
| 5.3.1 数据集及评价标准介绍 | 第69-71页 |
| 5.3.2 实验设置 | 第71页 |
| 5.3.3 实验分析 | 第71-72页 |
| 5.4 本章小结 | 第72-74页 |
| 第6章 总结与展望 | 第74-77页 |
| 6.1 总结 | 第74-75页 |
| 6.2 未来研究工作 | 第75-77页 |
| 参考文献 | 第77-88页 |
| 致谢 | 第88页 |
