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

基于深度学习的河道场景语义化解析

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

论文共76页,点击 下载论文
上一篇:多用户线性网络编码协作的性能分析与功率优化分配
下一篇:基于混沌蚁群算法的无人机航路规划研究及系统实现