基于GAN的城市环境图像语义分割
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究工作的背景和意义 | 第11-13页 |
| 1.2 国内外研究历史和现状 | 第13-16页 |
| 1.2.1 基于传统方法的图像分割研究现状 | 第13-14页 |
| 1.2.1.1 基于阈值的分割方法 | 第13页 |
| 1.2.1.2 基于边缘检测的分割方法 | 第13-14页 |
| 1.2.1.3 基于区域的分割方法 | 第14页 |
| 1.2.2 基于深度学习的图像分割研究现状 | 第14-16页 |
| 1.3 本论文的主要工作内容 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 相关工作 | 第18-45页 |
| 2.1 传统图像语义分割 | 第18-24页 |
| 2.1.1 高斯背景建模 | 第18-21页 |
| 2.1.2 Snake-活动轮廓模型分割 | 第21-22页 |
| 2.1.3 基于小波变换的图像分割 | 第22-24页 |
| 2.2 深度学习 | 第24-42页 |
| 2.2.1 深度学习的历史趋势 | 第24-26页 |
| 2.2.2 神经网络结构 | 第26-34页 |
| 2.2.2.1 深度前馈网络 | 第27-30页 |
| 2.2.2.2 卷积神经网络 | 第30-34页 |
| 2.2.3 深度学习在图像分割领域的研究现状 | 第34-42页 |
| 2.2.3.1 FCN | 第34-36页 |
| 2.2.3.2 Segnet | 第36-38页 |
| 2.2.3.3 Unet | 第38-39页 |
| 2.2.2.4 DeepLab | 第39-42页 |
| 2.3 对抗网络 | 第42-45页 |
| 第3章 基于Seg-GAN的图像语义生成 | 第45-58页 |
| 3.1 Encoder-Decoder结构 | 第45-47页 |
| 3.2 一种新的网络结构Seg-GAN | 第47-49页 |
| 3.3 实验 | 第49-57页 |
| 3.3.1 实验数据集Cityscape介绍 | 第49-50页 |
| 3.3.2 模型的评价标准 | 第50-51页 |
| 3.3.3 实验环境介绍 | 第51-52页 |
| 3.3.4 实验参数设置 | 第52-53页 |
| 3.3.5 实验结果评估 | 第53-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第4章 改进的Seg-GAN用于图像分割 | 第58-69页 |
| 4.1 超像素分割 | 第58-59页 |
| 4.2 结合超像素分割的Seg-GAN | 第59-61页 |
| 4.3 实验 | 第61-68页 |
| 4.3.1 实验数据集Camvid介绍 | 第61-63页 |
| 4.3.2 实验参数设置 | 第63-64页 |
| 4.3.3 实验结果评估 | 第64-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第5章 结果与展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 作者简介及在学期间所获得的科研成果 | 第74-75页 |
| 致谢 | 第75页 |
