| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 语义分割的研究背景及意义 | 第9页 |
| 1.2 语义分割的原理 | 第9-11页 |
| 1.3 语义分割的研究现状概述 | 第11-13页 |
| 1.4 本文的主要工作和内容安排 | 第13-15页 |
| 1.4.1 本文的主要工作 | 第13-14页 |
| 1.4.2 本文的内容安排 | 第14-15页 |
| 第二章 相关工作 | 第15-19页 |
| 2.1 深度信息的获取 | 第15-16页 |
| 2.2 gPb-ucm图像分割算法 | 第16页 |
| 2.3 Perceptual Organization内容介绍 | 第16-17页 |
| 2.4 分类算法的选择 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 基于RGB-D图像的室内场景的物体分割算法 | 第19-32页 |
| 3.1 室内场景物体分割算法框架 | 第19-20页 |
| 3.2 基于RGB-D图像的室内场景的物体分割算法 | 第20-26页 |
| 3.2.1 图像初分割 | 第20-23页 |
| 3.2.2 结合RGB和深度信息的知觉编组算法 | 第23-26页 |
| 3.3 实验结果与性能分析 | 第26-31页 |
| 3.3.1 NYUD2数据集 | 第27页 |
| 3.3.2 实验环境设置 | 第27页 |
| 3.3.3 利用RGB信息进行物体分割的结果 | 第27-28页 |
| 3.3.4 利用RGB信息和深度信息进行分割的结果 | 第28-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于多特征的室内场景语义标注算法 | 第32-41页 |
| 4.1 多特征语义标注算法框架 | 第32-33页 |
| 4.2 基于多特征的室内场景语义标注算法 | 第33-37页 |
| 4.2.1 区域特征提取 | 第33-36页 |
| 4.2.2 超像素语义标注池构建 | 第36页 |
| 4.2.3 分类器训练 | 第36-37页 |
| 4.3 实验设置 | 第37-38页 |
| 4.4 实验结果与分析 | 第38-40页 |
| 4.4.1 杰卡德指数 | 第38页 |
| 4.4.2 实验结果 | 第38-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 总结与展望 | 第41-43页 |
| 5.1 工作总结 | 第41页 |
| 5.2 展望未来 | 第41-43页 |
| 参考文献 | 第43-46页 |
| 发表论文和科研情况 | 第46-47页 |
| 致谢 | 第47页 |
