基于全卷积神经网络的大田复杂场景图像的语义分割研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 研究内容与技术路线 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第二章 全卷积神经网络模型的设计 | 第15-27页 |
| 2.1 卷积神经网络 | 第15-18页 |
| 2.1.1 卷积神经网络的基本结构 | 第15-17页 |
| 2.1.2 卷积神经网络的优缺点 | 第17-18页 |
| 2.2 模型概述 | 第18-22页 |
| 2.2.1 算法概述 | 第18-19页 |
| 2.2.2 激活函数 | 第19-20页 |
| 2.2.3 多项逻辑回归分类器 | 第20-22页 |
| 2.3 网络结构设计 | 第22-26页 |
| 2.3.1 全卷积神经网络结构 | 第22-24页 |
| 2.3.2 反卷积层的设计 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于FCN的大田复杂场景图像的语义分割 | 第27-40页 |
| 3.1 数据集准备 | 第27-29页 |
| 3.1.1 数据集获取 | 第27-28页 |
| 3.1.2 数据集预处理 | 第28-29页 |
| 3.2 语义分割模型的实现 | 第29-31页 |
| 3.2.1 Caffe框架搭建 | 第30页 |
| 3.2.2 模型的实现 | 第30-31页 |
| 3.3 语义分割模型的训练 | 第31-35页 |
| 3.3.1 卷积神经网络的训练 | 第31-33页 |
| 3.3.2 预训练模型 | 第33页 |
| 3.3.3 模型二阶段训练 | 第33-34页 |
| 3.3.4 实验结果分析 | 第34-35页 |
| 3.4 大田图像语义分割 | 第35-39页 |
| 3.4.1 语义分割评判指标 | 第35-36页 |
| 3.4.2 模型功能测试 | 第36页 |
| 3.4.3 实验结果分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 大田复杂场景图像语义分割模型的优化 | 第40-49页 |
| 4.1 激活函数的优化 | 第40-42页 |
| 4.1.1 传统激活函数 | 第40页 |
| 4.1.2 指数线性单元激活函数 | 第40-41页 |
| 4.1.3 实验结果分析 | 第41-42页 |
| 4.2 模型的优化 | 第42-44页 |
| 4.2.1 Batch Nomalization | 第42-43页 |
| 4.2.2 模型融合 | 第43-44页 |
| 4.2.3 实验结果分析 | 第44页 |
| 4.3 分类器的优化 | 第44-47页 |
| 4.3.1 SVM和Softmax的对比 | 第44-45页 |
| 4.3.2 实验结果分析 | 第45-47页 |
| 4.4 模型性能评价 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-50页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 作者简介 | 第54页 |
