| 致谢 | 第4-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 1 绪论 | 第14-28页 |
| 1.1 课题背景和研究意义 | 第14-16页 |
| 1.2 语义分割的关键技术综述 | 第16-26页 |
| 1.2.1 国内外研究发展现状 | 第16-17页 |
| 1.2.2 语义分割技术 | 第17-26页 |
| 1.3 本文的研究内容和章节安排 | 第26-28页 |
| 2 语义分割数据集 | 第28-42页 |
| 2.1 引言 | 第28页 |
| 2.2 开源数据集介绍 | 第28-32页 |
| 2.2.1 ImageNet数据集 | 第28-29页 |
| 2.2.2 Pascal VOC数据集 | 第29页 |
| 2.2.3 Microsoft COCO数据集 | 第29-30页 |
| 2.2.4 CityScapes城市街景数据集 | 第30-32页 |
| 2.3 红外语义分割数据集建立 | 第32-41页 |
| 2.3.1 数据采集 | 第32页 |
| 2.3.2 图像预处理 | 第32-38页 |
| 2.3.3 数据类别和标注 | 第38页 |
| 2.3.4 数据增强（Data Augmentation） | 第38-40页 |
| 2.3.5 数据集划分 | 第40页 |
| 2.3.6 数据集统计分析 | 第40-41页 |
| 2.4 本章小结 | 第41-42页 |
| 3 深度卷积神经网络与图像分类 | 第42-69页 |
| 3.1 引言 | 第42页 |
| 3.2 卷积神经网络 | 第42-56页 |
| 3.2.1 传统神经网络结构 | 第42-43页 |
| 3.2.2 卷积神经网络结构 | 第43-44页 |
| 3.2.3 卷积神经网络的层次结构 | 第44-50页 |
| 3.2.4 卷积神经网络初始化方法 | 第50-51页 |
| 3.2.5 卷积神经网络的训练方法 | 第51-56页 |
| 3.3 图像分类网络 | 第56-62页 |
| 3.3.1 Alexnet网络模型 | 第56-58页 |
| 3.3.2 VGG-Net网络模型 | 第58-59页 |
| 3.3.3 Inception网络模型 | 第59-60页 |
| 3.3.4 深度残差网络（Residual Network，ResNet） | 第60-62页 |
| 3.4 图像分类网络对比 | 第62-63页 |
| 3.5 并联残差网络（Parallel Residual Net，Pres Net） | 第63-68页 |
| 3.5.1 网络结构 | 第63-65页 |
| 3.5.2 网络训练 | 第65页 |
| 3.5.3 实验环境 | 第65页 |
| 3.5.4 实验结果分析 | 第65-68页 |
| 3.6 本章小结 | 第68-69页 |
| 4 深度语义分割网络 | 第69-93页 |
| 4.1 引言 | 第69页 |
| 4.2 全卷积神经网络（FCN） | 第69-71页 |
| 4.2.1 网络结构 | 第69-70页 |
| 4.2.2 边缘优化方法 | 第70-71页 |
| 4.3 Deeplab | 第71-74页 |
| 4.3.1 感受域 | 第71-72页 |
| 4.3.2 网络结构 | 第72页 |
| 4.3.3 多孔卷积 | 第72-73页 |
| 4.3.4 改变网络感受域的加速方式 | 第73-74页 |
| 4.4 对称卷积-反卷积网络 | 第74-75页 |
| 4.4.1 网络结构 | 第74页 |
| 4.4.2 反池化 | 第74-75页 |
| 4.4.3 反卷积 | 第75页 |
| 4.5 多尺度语义分割网络结构 | 第75-78页 |
| 4.5.1 多尺度并行网络模型 | 第76-77页 |
| 4.5.2 多孔空间金字塔池化（Atrous Spatial Pyramid Pooling，ASPP） | 第77-78页 |
| 4.6 并联残差语义分割网络 | 第78-79页 |
| 4.7 实验和评估 | 第79-92页 |
| 4.7.1 数据扩充 | 第79-80页 |
| 4.7.2 实验方法 | 第80-81页 |
| 4.7.3 语义分割网络模型 | 第81-82页 |
| 4.7.4 网络训练 | 第82-86页 |
| 4.7.5 测试结果 | 第86-91页 |
| 4.7.6 实验结果分析 | 第91-92页 |
| 4.8 本章小结 | 第92-93页 |
| 5 语义分割的后处理优化算法 | 第93-116页 |
| 5.1 引言 | 第93页 |
| 5.2 基于条件随机场的优化算法 | 第93-100页 |
| 5.2.1 条件随机场（Conditional random field，CRF） | 第93-94页 |
| 5.2.2 全连接CRF模型 | 第94-95页 |
| 5.2.3 全连接CRF的求解算法 | 第95-97页 |
| 5.2.4 改进的高阶CRF优化模型 | 第97-100页 |
| 5.3 边缘域变换滤波优化算法 | 第100-107页 |
| 5.3.1 边缘域变换滤波优化模型结构 | 第101页 |
| 5.3.2 基于卷积神经网络的边缘检测 | 第101-102页 |
| 5.3.3 结构森林边缘检测 | 第102-105页 |
| 5.3.4 边缘域变换滤波 | 第105-106页 |
| 5.3.5 DT滤波的训练 | 第106-107页 |
| 5.4 语义分割优化实验和评估 | 第107-115页 |
| 5.4.1 CRF优化 | 第107页 |
| 5.4.2 边缘DT滤波优化 | 第107-108页 |
| 5.4.3 实验结果 | 第108-114页 |
| 5.4.4 实验结果分析 | 第114-115页 |
| 5.5 本章小结 | 第115-116页 |
| 6 总结与展望 | 第116-119页 |
| 6.1 总结 | 第116-117页 |
| 6.2 展望 | 第117-119页 |
| 参考文献 | 第119-126页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第126页 |
