| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景及研究意义 | 第11-13页 |
| 1.2 国内外研究状况 | 第13-20页 |
| 1.2.1 目标检测 | 第15-17页 |
| 1.2.2 图像的语义分割 | 第17-18页 |
| 1.2.3 场景理解在机器人平台的应用现状 | 第18-20页 |
| 1.3 研究内容与结构安排 | 第20-22页 |
| 第二章 DCNN | 第22-32页 |
| 2.1 引言 | 第22页 |
| 2.2 DCNN原理 | 第22-27页 |
| 2.2.1 DCNN的局部连接 | 第22-24页 |
| 2.2.2 DCNN的权值共享 | 第24页 |
| 2.2.3 DCNN的非线性变换 | 第24-26页 |
| 2.2.4 DCNN的池化 | 第26-27页 |
| 2.3 DCNN的典型应用 | 第27-31页 |
| 2.3.1 LeNet-5手写数字识别 | 第27-28页 |
| 2.3.2 Alex Net图像分类 | 第28-29页 |
| 2.3.3 DeepID人脸识别 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于多任务空间金字塔池化DCNN的动态目标分类 | 第32-43页 |
| 3.1 引言 | 第32-33页 |
| 3.2 高斯混合前景目标提取模型 | 第33页 |
| 3.3 空间金字塔池化的DCNN | 第33-35页 |
| 3.4 基于多任务空间金字塔池化的DCNN对动态目标的识别 | 第35-37页 |
| 3.4.1 DCNN结构 | 第35-36页 |
| 3.4.2 DCNN代价函数 | 第36-37页 |
| 3.4.3 动态目标分类 | 第37页 |
| 3.5 实验和分析 | 第37-42页 |
| 3.5.1 训练及测试数据 | 第37-38页 |
| 3.5.2 训练方法 | 第38-39页 |
| 3.5.3 实验结果及分析 | 第39-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于DCNN的室外场景语义分割 | 第43-53页 |
| 4.1 引言 | 第43-44页 |
| 4.2 MeanShift图像分割算法 | 第44-45页 |
| 4.3 基于DCNN的语义分割 | 第45-48页 |
| 4.3.1 DCNN结构 | 第45-46页 |
| 4.3.2 DCNN代价函数 | 第46-47页 |
| 4.3.3 数据归一化和扩展 | 第47页 |
| 4.3.4 局部区域语义标记 | 第47-48页 |
| 4.4 实验与分析 | 第48-51页 |
| 4.4.1 训练及测试数据 | 第48-49页 |
| 4.4.2 训练方法 | 第49页 |
| 4.4.3 实验结果及分析 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 联合目标检测与语义分割的场景理解 | 第53-73页 |
| 5.1 引言 | 第53页 |
| 5.2 联合目标检测与语义分割的场景理解 | 第53-59页 |
| 5.2.1 Faster R-CNN物体检测 | 第54-57页 |
| 5.2.2 DeepLab-CRFs语义分割 | 第57-59页 |
| 5.3 背景物体语义分割 | 第59-62页 |
| 5.3.1 基于图的图像分割 | 第59-61页 |
| 5.3.2 局部文理特征提取 | 第61-62页 |
| 5.3.3 支持向量机 | 第62页 |
| 5.4 算法框架 | 第62-63页 |
| 5.5 实验和分析 | 第63-72页 |
| 5.5.1 实验数据及实验平台 | 第64-66页 |
| 5.5.2 联合目标检测与语义分割的场景理解实验 | 第66-70页 |
| 5.5.3 背景物体识别实验 | 第70-72页 |
| 5.6 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文工作总结 | 第73-74页 |
| 6.2 工作展望 | 第74-75页 |
| 参考文献 | 第75-82页 |
| 致谢 | 第82-83页 |
| 附录 在读期间完成的论文及参加的科研项目 | 第83页 |