基于深度学习的图像语义分割算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文的研究内容和组织结构 | 第10-12页 |
| 1.3.1 本文的研究内容 | 第10-11页 |
| 1.3.2 本文的组织结构 | 第11-12页 |
| 第二章 图像语义分割常用的理论方法 | 第12-17页 |
| 2.1 引言 | 第12页 |
| 2.2 深度学习的方法 | 第12-15页 |
| 2.2.1 卷积神经网络 | 第12-14页 |
| 2.2.2 常用的卷积神经网络模型 | 第14-15页 |
| 2.3 条件随机场的方法 | 第15-16页 |
| 2.3.1 条件随机场 | 第15-16页 |
| 2.3.2 条件随机场能量表达式构建和最优化求解 | 第16页 |
| 2.4 本章小结 | 第16-17页 |
| 第三章 基于卷积神经网络层次化特征的图像语义分割 | 第17-29页 |
| 3.1 引言 | 第17-18页 |
| 3.2 基于卷积神经网络模型的层次化特征提取 | 第18-20页 |
| 3.2.1 卷积神经网络模型 | 第18-19页 |
| 3.2.2 层次化特征提取 | 第19-20页 |
| 3.3 超像素分割及分类 | 第20-23页 |
| 3.3.1 超像素算法 | 第20页 |
| 3.3.2 SLIC超像素分割 | 第20-21页 |
| 3.3.3 超像素分类 | 第21-23页 |
| 3.4 全连接条件随机场模型构建 | 第23-24页 |
| 3.5 实验结果与分析 | 第24-28页 |
| 3.6 本章小结 | 第28-29页 |
| 第四章 基于特征融合和分类器融合的图像语义分割 | 第29-41页 |
| 4.1 引言 | 第29-30页 |
| 4.2 基于区域的特征提取 | 第30-34页 |
| 4.2.1 基于区域的卷积神经网络模型 | 第30-31页 |
| 4.2.2 SELECTIVESEARCH算法 | 第31-32页 |
| 4.2.3 基于区域的特征 | 第32-34页 |
| 4.3 特征融合与分类器融合 | 第34-36页 |
| 4.3.1 特征融合 | 第34-35页 |
| 4.3.2 分类器融合 | 第35-36页 |
| 4.4 实验结果与分析 | 第36-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 总结与展望 | 第41-43页 |
| 5.1 工作总结 | 第41页 |
| 5.2 未来工作展望 | 第41-43页 |
| 参考文献 | 第43-47页 |
| 发表论文和科研情况说明 | 第47-48页 |
| 致谢 | 第48页 |
