卷积神经网络在轮廓检测中的算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 非深度学习的轮廓检测算法 | 第9-10页 |
| 1.2.2 基于卷积神经网络的轮廓检测算法 | 第10-13页 |
| 1.3 本文研究内容和组织结构 | 第13-14页 |
| 第二章 基于卷积神经网络的轮廓检测相关技术分析 | 第14-27页 |
| 2.1 引言 | 第14页 |
| 2.2 轮廓检测数据集和数据增强算法 | 第14-16页 |
| 2.2.1 开源数据集 | 第14-15页 |
| 2.2.2 数据增强算法 | 第15-16页 |
| 2.3 卷积神经网络 | 第16-21页 |
| 2.3.1 编码-解码结构 | 第16页 |
| 2.3.2 卷积神经网络的层次结构 | 第16-19页 |
| 2.3.3 卷积神经网络初始化方法 | 第19-20页 |
| 2.3.4 卷积神经网络的训练方法 | 第20-21页 |
| 2.4 经典模型 | 第21-24页 |
| 2.4.1 HED模型 | 第21-23页 |
| 2.4.2 CED模型 | 第23-24页 |
| 2.4.3 小结 | 第24页 |
| 2.5 轮廓细化和二值化 | 第24-25页 |
| 2.6 性能评价 | 第25-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第三章 改进的强化网络模型 | 第27-39页 |
| 3.1 引言 | 第27-28页 |
| 3.2 强化网络改进研究 | 第28-31页 |
| 3.2.1 网络结构改进研究 | 第28-30页 |
| 3.2.2 模型细节研究 | 第30-31页 |
| 3.2.3 多尺度轮廓检测 | 第31页 |
| 3.3 实验与分析 | 第31-37页 |
| 3.3.1 模型参数 | 第31-32页 |
| 3.3.2 分离实验 | 第32-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 改进的代价函数和自适应融合算法 | 第39-54页 |
| 4.1 引言 | 第39页 |
| 4.2 代价函数在多人标注中的研究 | 第39-42页 |
| 4.2.1 改进的交叉熵函数 | 第41页 |
| 4.2.2 改进的戴斯系数 | 第41-42页 |
| 4.3 代价函数的自适应融合算法研究 | 第42-44页 |
| 4.3.1 纳什均衡 | 第42-43页 |
| 4.3.2 自适应融合算法 | 第43-44页 |
| 4.4 网络结构改进 | 第44-45页 |
| 4.5 实验与分析 | 第45-53页 |
| 4.5.1 模型参数 | 第45页 |
| 4.5.2 分离实验 | 第45-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 结论 | 第54-55页 |
| 参考文献 | 第55-62页 |
| 发表论文和参加科研情况说明 | 第62-63页 |
| 致谢 | 第63页 |
