| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 卷积神经网络发展现状 | 第12-13页 |
| 1.2.2 目标检测技术研究现状 | 第13-14页 |
| 1.3 论文研究内容及主要创新点 | 第14页 |
| 1.4 论文组织结构安排 | 第14-17页 |
| 第2章 卷积神经网络图像分割相关技术研究 | 第17-35页 |
| 2.1 卷积神经网络 | 第17-26页 |
| 2.1.1 卷积神经网络概述 | 第17页 |
| 2.1.2 卷积神经网络结构及相关运算 | 第17-23页 |
| 2.1.3 卷积神经网络模型 | 第23-26页 |
| 2.2 转置卷积 | 第26-27页 |
| 2.3 深度学习框架Tensor Flow简介 | 第27-29页 |
| 2.3.1 Tensor Flow应用架构 | 第27-28页 |
| 2.3.2 Tensor Flow可视化技术 | 第28页 |
| 2.3.3 Tensor Flow GPU使用 | 第28-29页 |
| 2.4 图像分割技术 | 第29-33页 |
| 2.4.1 阈值分割法 | 第29-30页 |
| 2.4.2 区域分割法 | 第30-31页 |
| 2.4.3 边缘检测法 | 第31-33页 |
| 2.5 图像语义分割 | 第33页 |
| 2.6 本章小结 | 第33-35页 |
| 第3章 基于跳跃性全卷积神经网络的显著性目标检测 | 第35-51页 |
| 3.1 全卷积神经网络 | 第35-38页 |
| 3.1.1 全卷积神经网络概述 | 第35页 |
| 3.1.2 全卷积神经网络结构及相关运算 | 第35-37页 |
| 3.1.3 全卷积神经网络模型 | 第37-38页 |
| 3.2 改进的具有跳跃连接的全卷积神经网络 | 第38-40页 |
| 3.2.1 两种跳跃连接方式 | 第39-40页 |
| 3.2.2 改进的跳跃连接方式 | 第40页 |
| 3.3 网络模型各层内部具体设计 | 第40-42页 |
| 3.4 实验 | 第42-49页 |
| 3.4.1 实验环境 | 第42页 |
| 3.4.2 实验数据 | 第42页 |
| 3.4.3 实验过程 | 第42-43页 |
| 3.4.4 评价方法 | 第43-45页 |
| 3.4.5 实验结果及分析 | 第45-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 改进的基于FCN和 ESP网络的显著目标检测 | 第51-59页 |
| 4.1 问题描述 | 第51页 |
| 4.2 空洞卷积 | 第51-53页 |
| 4.2.1 空洞卷积的概念 | 第51-52页 |
| 4.2.2 空洞卷积的原理 | 第52-53页 |
| 4.2.3 空洞卷积的网络设计 | 第53页 |
| 4.3 高效金字塔卷积网络(ESP) | 第53-54页 |
| 4.4 改进的网络模型 | 第54-55页 |
| 4.5 网络模型各层内部具体设计 | 第55-56页 |
| 4.6 实验结果及分析 | 第56-58页 |
| 4.7 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的学术论文及科研工作 | 第65-67页 |
| 致谢 | 第67页 |