摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第10-16页 |
1.1 河道环境监测现状 | 第10-11页 |
1.2 航拍图像处理及应用 | 第11-13页 |
1.3 河道图像语义化解析 | 第13-15页 |
1.4 本文的主要研究工作和组织结构 | 第15-16页 |
1.4.1 本文研究内容 | 第15页 |
1.4.2 本文组织结构 | 第15-16页 |
第二章 场景图像语义化解析方法 | 第16-40页 |
2.1 引言 | 第16页 |
2.2 传统场景图像语义化解析方法 | 第16-24页 |
2.2.1 预处理 | 第16-17页 |
2.2.2 特征提取方法 | 第17-20页 |
2.2.3 特征分类方法 | 第20-23页 |
2.2.4 语义特征处理方法 | 第23-24页 |
2.3 基于深度学习的场景图像语义化解析方法 | 第24-33页 |
2.3.1 神经网络概念 | 第24-26页 |
2.3.2 卷积神经网络 | 第26-30页 |
2.3.3 循环神经网络 | 第30-33页 |
2.4 河道航拍图像获取 | 第33-37页 |
2.4.1 研究河道区域特点 | 第33页 |
2.4.2 飞行器以及图像采集方式 | 第33-35页 |
2.4.3 河道场景目标描述 | 第35-36页 |
2.4.4 数据集预处理和增强 | 第36-37页 |
2.5 小结 | 第37-40页 |
第三章 基于框选卷积神经网络的河道场景目标检测 | 第40-58页 |
3.1 引言 | 第40-41页 |
3.2 Faster R-CNN 框架与工作原理 | 第41-45页 |
3.2.1 网络框架 | 第41-43页 |
3.2.2 网络工作原理 | 第43-45页 |
3.3 基于框选卷积神经网络的河道场景图像模型优化与训练 | 第45-50页 |
3.3.1 网络结构优化 | 第45-46页 |
3.3.2 图像检测网络训练 | 第46-49页 |
3.3.3 卷积网络可视化 | 第49-50页 |
3.4 检测结果 | 第50-56页 |
3.4.1 评价指标 | 第50-51页 |
3.4.2 实验结果 | 第51-56页 |
3.5 小结 | 第56-58页 |
第四章 基于RNN和CNN的河道场景语义化解析 | 第58-68页 |
4.1 引言 | 第58页 |
4.2 图像语义模型框架与工作原理 | 第58-61页 |
4.2.1 语言语义框架结构 | 第58-60页 |
4.2.2 图像语义框架结构 | 第60-61页 |
4.3 基于RNN和R-CNN的河道场景语义模型训练 | 第61-62页 |
4.5 检测结果 | 第62-65页 |
4.5.1 评价指标 | 第62-63页 |
4.5.2 实验结果 | 第63-65页 |
4.6 小结 | 第65-68页 |
第五章 总结与展望 | 第68-70页 |
5.1 工作总结 | 第68页 |
5.2 工作展望 | 第68-70页 |
参考文献 | 第70-74页 |
致谢 | 第74-76页 |
攻读学位期间发表的学术论文 | 第76页 |