首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于递归神经网络的高分辨率航拍图像道路分割与提取

摘要第4-5页
Abstract第5-6页
第一章 绪论第14-18页
    1.1 研究背景与意义第14-15页
    1.2 研究目标与研究内容第15-16页
    1.3 实验数据第16-17页
    1.4 论文结构第17-18页
第二章 道路分割与提取方法的研究现状第18-24页
    2.1 道路提取的研究现状第18-20页
    2.2 目标分割的研究现状第20-23页
    2.3 超图的研究现状第23页
    2.4 本章小节第23-24页
第三章 基于支持向量机和超图的道路分割与提取算法第24-46页
    3.1 图像分辨率及道路特征第24-30页
        3.1.1 图像分辨率第24-27页
        3.1.2 颜色特征第27-28页
        3.1.3 纹理特征第28-29页
        3.1.4 形状特征第29-30页
        3.1.5 上下文特征第30页
    3.2 融合支持向量机和霍夫变换的道路分割改进算法第30-40页
        3.2.1 支持向量机理论第31-35页
        3.2.2 基于超像素分割的预处理方法第35-38页
        3.2.3 融合霍夫变换的优化方法第38-40页
    3.3 基于超图的道路分割与提取第40-44页
        3.3.1 超图的定义第41-42页
        3.3.2 常见超图学习算法第42-44页
        3.3.3 基于超图的道路分割与提取方法第44页
    3.4 本章小结第44-46页
第四章 基于递归神经网络的道路分割与提取算法第46-62页
    4.1 全卷积神经网络第46-50页
    4.2 基于递归神经网络的道路分割第50-56页
        4.2.1 条件随机场第50-52页
        4.2.2 引入条件随机场的卷积神经网络第52-54页
        4.2.3 端到端的训练网络第54-56页
    4.3 采用多尺度训练与形态学后处理的改进算法第56-61页
        4.3.1 多尺度训练第57-60页
        4.3.2 形态学后处理第60-61页
    4.4 本章小结第61-62页
第五章 结果与讨论第62-76页
    5.1 基于支持向量机的道路分割与提取实验第62-68页
    5.2 基于超图的道路分割与提取实验第68-70页
    5.3 基于递归神经网络的道路分割与提取实验第70-72页
    5.4 对比实验第72-75页
    5.5 本章小结第75-76页
第六章 总结与展望第76-78页
    6.1 本文工作总结第76-77页
    6.2 未来的工作第77-78页
参考文献第78-84页
致谢第84页

论文共84页,点击 下载论文
上一篇:蒙自市房管处政务服务公开平台
下一篇:智能化场馆管理系统的设计研究与实现