基于深度学习的图像语义分割方法研究与实现
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究意义与背景 | 第9页 |
| 1.2 国内外研究进展 | 第9-12页 |
| 1.3 论文主要工作与研究内容 | 第12-13页 |
| 1.4 本论文的结构安排 | 第13-14页 |
| 第二章 基础理论与相关技术 | 第14-28页 |
| 2.1 神经网络的相关理论 | 第14-17页 |
| 2.1.1 神经元 | 第14-15页 |
| 2.1.2 激活函数 | 第15-16页 |
| 2.1.3 前馈神经网络 | 第16-17页 |
| 2.2 反向传播算法 | 第17-19页 |
| 2.3 卷积神经网络 | 第19-26页 |
| 2.3.1 卷积神经网络的基础理论 | 第20-21页 |
| 2.3.2 卷积神经网络结构模型 | 第21-22页 |
| 2.3.3 卷积层 | 第22-23页 |
| 2.3.4 池化层 | 第23-24页 |
| 2.3.5 多项逻辑回归 | 第24-25页 |
| 2.3.6 过拟合现象 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 融合上下文信息的全卷积神经网络结构 | 第28-44页 |
| 3.1 典型深度卷积神经网络结构简析 | 第28-32页 |
| 3.2 迁移学习 | 第32页 |
| 3.3 FCN的总体结构 | 第32-34页 |
| 3.4 网络改进的目的 | 第34-35页 |
| 3.5 融合图像上下文信息的网络结构 | 第35-42页 |
| 3.6 网络模型损失函数 | 第42-43页 |
| 3.7 与其他网络模型的对比 | 第43页 |
| 3.8 本章小结 | 第43-44页 |
| 第四章 新网络模型的设计与实现 | 第44-67页 |
| 4.1 软件环境配置 | 第44页 |
| 4.2 训练数据集 | 第44-46页 |
| 4.3 网络的训练方式 | 第46-47页 |
| 4.4 网络传播流程设计 | 第47-50页 |
| 4.5 归一化层的实现 | 第50-53页 |
| 4.6 网络的训练细节 | 第53-57页 |
| 4.6.1 网络训练学习率 | 第54-55页 |
| 4.6.2 网络参数初始化 | 第55-56页 |
| 4.6.3 其他网络训练超参数 | 第56页 |
| 4.6.4 新网络模型配置文件 | 第56-57页 |
| 4.7 实验结果和对比 | 第57-66页 |
| 4.7.1 实验结果度量标准 | 第57-59页 |
| 4.7.2 网络合理性分析 | 第59-60页 |
| 4.7.3 实验结果 | 第60-61页 |
| 4.7.4 结果对比 | 第61-66页 |
| 4.8 本章小结 | 第66-67页 |
| 第五章 融合上下文信息的图像语义分割系统设计 | 第67-76页 |
| 5.1 系统需求分析 | 第67-68页 |
| 5.2 系统架构设计 | 第68-75页 |
| 5.2.1 系统服务端 | 第68-74页 |
| 5.2.2 系统客户端 | 第74-75页 |
| 5.3 本章小结 | 第75-76页 |
| 第六章 系统测试与分析 | 第76-82页 |
| 6.1 测试环境硬件配置 | 第76页 |
| 6.2 系统功能测试 | 第76-79页 |
| 6.3 更多的测试结果和分析 | 第79-81页 |
| 6.4 本章小结 | 第81-82页 |
| 第七章 全文总结和展望 | 第82-84页 |
| 7.1 全文总结 | 第82-83页 |
| 7.2 后续工作展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |
| 攻读硕士学位期间取得的成果 | 第88页 |
