基于深度神经网络的道路场景语义分割研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 本文内容与结构安排 | 第13-15页 |
| 第2章 卷积神经网络简介 | 第15-27页 |
| 2.1 概述 | 第15页 |
| 2.2 经典网络结构介绍 | 第15-23页 |
| 2.2.1 AlexNet | 第15-17页 |
| 2.2.2 NIN | 第17-18页 |
| 2.2.3 VGGNet | 第18页 |
| 2.2.4 Inception | 第18-21页 |
| 2.2.5 ResNet | 第21-23页 |
| 2.3 梯度下降法 | 第23-26页 |
| 2.3.1 梯度下降法的变体 | 第23-25页 |
| 2.3.2 适应性动量估计法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于卷积神经网络的道路场景语义分割 | 第27-38页 |
| 3.1 模型整体结构 | 第27-28页 |
| 3.2 各模块介绍 | 第28-34页 |
| 3.2.1 下采样模块 | 第29-30页 |
| 3.2.2 非对称残差模块 | 第30-31页 |
| 3.2.3 分组瓶颈模块 | 第31-34页 |
| 3.2.4 上采样模块 | 第34页 |
| 3.3 性能优化方法 | 第34-37页 |
| 3.3.1 迁移学习 | 第34-36页 |
| 3.3.2 集成学习 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 实验与结果分析 | 第38-56页 |
| 4.1 实验数据 | 第38-42页 |
| 4.1.1 Cityscapes数据集 | 第38-40页 |
| 4.1.2 数据预处理 | 第40-41页 |
| 4.1.3 数据类别的平衡 | 第41-42页 |
| 4.2 评价标准 | 第42-43页 |
| 4.2.1 平均交并比 | 第42-43页 |
| 4.2.2 全局准确率 | 第43页 |
| 4.2.3 平均准确率 | 第43页 |
| 4.3 实验环境 | 第43-44页 |
| 4.3.1 基本配置 | 第43-44页 |
| 4.3.2 深度学习框架PyTorch | 第44页 |
| 4.4 实验过程 | 第44-47页 |
| 4.5 实验结果与分析 | 第47-55页 |
| 4.5.1 编码器模型 | 第47-51页 |
| 4.5.2 编码器-解码器模型 | 第51页 |
| 4.5.3 模型性能优化 | 第51-53页 |
| 4.5.4 相关算法对比与分析 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 总结与展望 | 第56-58页 |
| 本文工作总结 | 第56页 |
| 未来工作展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第64页 |
