| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文工作及贡献 | 第13页 |
| 1.4 论文组织和结构 | 第13-15页 |
| 第二章 相关工作研究 | 第15-27页 |
| 2.1 传统图像分割算法 | 第15-18页 |
| 2.1.1 基于阈值的分割方法 | 第15页 |
| 2.1.2 基于边缘的分割方法 | 第15-16页 |
| 2.1.3 基于区域的分割方法 | 第16页 |
| 2.1.4 基于图论的分割方法 | 第16-17页 |
| 2.1.5 基于条件随机场的方法 | 第17-18页 |
| 2.2 卷积神经网络的图像语义分割方法 | 第18-23页 |
| 2.2.1 卷积神经网络 | 第18-20页 |
| 2.2.2 全卷积神经网络 | 第20-22页 |
| 2.2.3 空洞卷积 | 第22-23页 |
| 2.3 神经网络训练技巧 | 第23-25页 |
| 2.3.1 Fine-tuning | 第23-24页 |
| 2.3.2 dropout | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 全空洞卷积神经网络结构及训练 | 第27-35页 |
| 3.1 全空洞卷积神经网络结构 | 第27-30页 |
| 3.1.1 空洞卷积层 | 第27-29页 |
| 3.1.2 空洞池化层 | 第29-30页 |
| 3.1.3 全链接层卷积化 | 第30页 |
| 3.1.4 softmax层 | 第30页 |
| 3.2 全空洞卷积神经网络训练 | 第30-34页 |
| 3.2.1 softmax层的反向传播 | 第31页 |
| 3.2.2 空洞池化层反向传播 | 第31-32页 |
| 3.2.3 空洞卷积层反向传播 | 第32-33页 |
| 3.2.4 反向传播算法总结 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 全空洞卷积神经网络原理及图像语义分割 | 第35-41页 |
| 4.1 全空洞卷积神经网络原理 | 第35-39页 |
| 4.2 基于VGG的全空洞卷积神经网络的图像语义分割 | 第39-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 实验结果与分析 | 第41-48页 |
| 5.1 实验配置 | 第41-42页 |
| 5.1.1 实验硬件配置 | 第41页 |
| 5.1.2 实验参数配置 | 第41页 |
| 5.1.3 深度学习框架 | 第41-42页 |
| 5.1.4 实验数据 | 第42页 |
| 5.2 实验结果及分析 | 第42-48页 |
| 5.2.1 实验结果 | 第42-46页 |
| 5.2.2 实验结果分析 | 第46-48页 |
| 第六章 总结与展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52页 |