| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 传统图像分割算法 | 第11-12页 |
| 1.2.2 基于深度学习的图像语义分割算法 | 第12-14页 |
| 1.3 论文工作与贡献 | 第14-15页 |
| 1.4 论文组织和结构 | 第15-16页 |
| 第二章 相关工作 | 第16-28页 |
| 2.1 区域建议网络理论基础 | 第16-22页 |
| 2.1.1 深度学习概述 | 第16页 |
| 2.1.2 深层全连接神经网络 | 第16-18页 |
| 2.1.3 卷积神经网络 | 第18-22页 |
| 2.2 图像语义分割 | 第22-27页 |
| 2.2.1 图像分割概述 | 第22-23页 |
| 2.2.2 图像语义分割模型 | 第23-25页 |
| 2.2.3 图像语义分割常用数据集 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于区域建议网络的全卷积分割网络模型 | 第28-44页 |
| 3.1 RPN-SegNet网络模型概述 | 第28-29页 |
| 3.2 全卷积分割网络 | 第29-35页 |
| 3.2.1 概述 | 第29-30页 |
| 3.2.2 跳跃层体系结构 | 第30-31页 |
| 3.2.3 上采样方法 | 第31-34页 |
| 3.2.4 批量归一化 | 第34-35页 |
| 3.3 改进的区域建议网络 | 第35-37页 |
| 3.3.1 区域建议网络的构建 | 第35-36页 |
| 3.3.2 定义区域建议网络的损失函数 | 第36-37页 |
| 3.4 RPN-SegNet网络模型的联合与训练方法 | 第37-39页 |
| 3.4.1 RPN-SegNet网络模型的联合方法 | 第37-38页 |
| 3.4.2 RPN-SegNet模型的训练 | 第38-39页 |
| 3.5 实验结果与分析 | 第39-43页 |
| 3.5.1 实验设计 | 第39页 |
| 3.5.2 评价标准 | 第39-40页 |
| 3.5.3 结果与分析 | 第40-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 二值化的RPN-SegNet网络模型 | 第44-57页 |
| 4.1 二值网络算法概述 | 第44-46页 |
| 4.2 二值网络相关工作 | 第46-48页 |
| 4.2.1 二值化函数 | 第46-47页 |
| 4.2.2 二值网络的前向和反向传播算法 | 第47-48页 |
| 4.3 权重二值化网络模型Weights-RPN-SegNet | 第48-51页 |
| 4.3.1 权重二值化的实现 | 第48-50页 |
| 4.3.2 权重二值化网络的训练 | 第50-51页 |
| 4.4 输入二值化网络模型XNOR-RPN-SegNet | 第51-53页 |
| 4.4.1 二值卷积操作的实现 | 第51-53页 |
| 4.4.2 输入二值化网络的训练 | 第53页 |
| 4.5 实验结果与分析 | 第53-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 论文总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间主要的研究成果 | 第63-64页 |
| 致谢 | 第64页 |
