| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 课题的研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 室内服务机器人的研究现状与应用 | 第15-17页 |
| 1.2.2 图像识别技术的研究现状与应用 | 第17-18页 |
| 1.2.3 目标检测技术的研究现状与应用 | 第18-19页 |
| 1.2.4 语义分割技术的研究现状与应用 | 第19-20页 |
| 1.3 课题的主要研究内容 | 第20-22页 |
| 第2章 联合中间层的深度卷积神经网络图像识别模型研究 | 第22-32页 |
| 2.1 引言 | 第22-23页 |
| 2.2 ILC-CNN模型 | 第23-26页 |
| 2.2.1 ILC-CNN模型的设计 | 第23-25页 |
| 2.2.2 模型原理与分析 | 第25-26页 |
| 2.3 图像识别实验及结果分析 | 第26-31页 |
| 2.3.1 实验设置 | 第26-27页 |
| 2.3.2 参数设置 | 第27-29页 |
| 2.3.3 实验结果及分析 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于深度学习方法的目标检测技术研究 | 第32-41页 |
| 3.1 引言 | 第32-33页 |
| 3.2 目标检测系统框架 | 第33-36页 |
| 3.2.1 基于CNN的图像特征提取 | 第33-34页 |
| 3.2.2 基于RPN的目标区域提取 | 第34-36页 |
| 3.2.3 基于FastR-CNN的目标识别 | 第36页 |
| 3.3 目标检测实验及结果分析 | 第36-40页 |
| 3.3.1 目标检测数据集 | 第36-38页 |
| 3.3.2 实验步骤 | 第38页 |
| 3.3.3 实验结果与分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于全卷积神经网络的语义分割技术研究 | 第41-52页 |
| 4.1 引言 | 第41-44页 |
| 4.2 全卷积网络模型(FCN,Fully convolutional networks) | 第44-47页 |
| 4.2.1 模型架构 | 第44页 |
| 4.2.2 全卷积网络与传统CNN网络 | 第44-45页 |
| 4.2.3 全连接层的卷积化 | 第45-47页 |
| 4.2.4 反卷积层(上采样层) | 第47页 |
| 4.3 语义分割实验及结果分析 | 第47-51页 |
| 4.3.1 语义分割数据集 | 第47-49页 |
| 4.3.2 实验结果分析 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于真实室内场景的场景理解总体实验 | 第52-76页 |
| 5.1 引言 | 第52页 |
| 5.2 室内移动机器人实验平台 | 第52-56页 |
| 5.2.1 实验平台底盘介绍 | 第53-55页 |
| 5.2.2 RHF407开发板 | 第55-56页 |
| 5.3 室内场景下的物体识别实验 | 第56-63页 |
| 5.4 室内场景下的目标检测实验 | 第63-67页 |
| 5.4.1 简单场景下的单物体目标检测实验 | 第63-66页 |
| 5.4.2 复杂场景下的多物体目标检测实验 | 第66-67页 |
| 5.5 室内场景下的语义分割实验 | 第67-75页 |
| 5.5.1 简单场景下的语义分割实验 | 第67-72页 |
| 5.5.2 复杂场景下的多物体语义分割实验 | 第72-75页 |
| 5.6 本章小结 | 第75-76页 |
| 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士论文期间所取得的科研成果 | 第82-84页 |
| 致谢 | 第84-85页 |
| 附录 ：ILC-CNN核心程序代码 | 第85-96页 |