| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 研究现状 | 第8页 |
| 1.3 论文组织 | 第8-11页 |
| 第2章 相关技术介绍 | 第11-25页 |
| 2.1 人工智能与机器学习 | 第11页 |
| 2.2 深度学习与卷积神经网络 | 第11-16页 |
| 2.2.1 深度学习 | 第11-13页 |
| 2.2.2 卷积神经网络 | 第13-15页 |
| 2.2.3 VGGNet | 第15-16页 |
| 2.3 神经网络训练原理 | 第16-20页 |
| 2.3.1 随机梯度下降算法 | 第17-19页 |
| 2.3.2 前向传播与反向传播 | 第19-20页 |
| 2.4 神经网络模型评估 | 第20-22页 |
| 2.4.1 经验误差、泛化误差与过拟合 | 第20-21页 |
| 2.4.2 性能度量 | 第21-22页 |
| 2.5 以往边缘检测算法 | 第22-25页 |
| 第3章 算法思路与设计 | 第25-35页 |
| 3.1 算法思路 | 第25-26页 |
| 3.2 卷积神经网络结构的设计 | 第26-35页 |
| 3.2.1 VGG16神经网络 | 第26-27页 |
| 3.2.2 网络结构的设计 | 第27-29页 |
| 3.2.3 损失函数 | 第29-35页 |
| 第4章 数据集与网络训练 | 第35-41页 |
| 4.1 数据集 | 第35-38页 |
| 4.1.1 BSDS500数据集 | 第35-38页 |
| 4.1.2 PASCALVOCContext数据集 | 第38页 |
| 4.2 训练卷积神经网络 | 第38-41页 |
| 4.2.1 框架选择 | 第38-39页 |
| 4.2.2 网络训练 | 第39-41页 |
| 第5章 模型评估与壁画线描图生成 | 第41-55页 |
| 5.1 模型评估 | 第41-43页 |
| 5.1.1 模型评估 | 第41-43页 |
| 5.2 壁画线描图生成 | 第43-53页 |
| 5.2.1 深度学习生成壁画线描图 | 第43-48页 |
| 5.2.2 与传统算法的对比 | 第48-50页 |
| 5.2.3 与CLD算法的结合 | 第50-53页 |
| 5.3 总结与讨论 | 第53-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 工作总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 发表论文和参加科研情况说明 | 第61-63页 |
| 致谢 | 第63页 |