| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题研究背景及目的和意义 | 第9-10页 |
| 1.2 国内外研究现状及成果 | 第10-15页 |
| 1.2.1 卷积神经网络研究现状 | 第10-12页 |
| 1.2.2 图像语义分割研究现状 | 第12-14页 |
| 1.2.3 文献综述简析 | 第14-15页 |
| 1.3 本文的主要研究内容 | 第15页 |
| 1.4 文章的组织结构安排 | 第15-17页 |
| 第2章 图像语义分割相关原理与算法介绍 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 编码器 | 第17-23页 |
| 2.2.1 卷积神经网络特点 | 第17-18页 |
| 2.2.2 卷积神经网络组成 | 第18-23页 |
| 2.2.3 空洞卷积 | 第23页 |
| 2.3 解码器 | 第23-25页 |
| 2.3.1 转置卷积层 | 第24页 |
| 2.3.2 双线性插值 | 第24-25页 |
| 2.4 后处理 | 第25-27页 |
| 2.5 本章小节 | 第27-28页 |
| 第3章 全卷积网络图像语义分割方法的改进 | 第28-41页 |
| 3.1 引言 | 第28页 |
| 3.2 改进的全卷积神经网络算法 | 第28-30页 |
| 3.2.1 全卷积神经网络算法介绍 | 第28-29页 |
| 3.2.2 改进后的整体模型框架 | 第29-30页 |
| 3.3 改进算法在基准网络中的实现 | 第30-33页 |
| 3.3.1 VGG网络 | 第30-31页 |
| 3.3.2 残差网络 | 第31-33页 |
| 3.4 改进策略 | 第33-40页 |
| 3.4.1 改进的全局上下文结构 | 第33-35页 |
| 3.4.2 改进的解码器模块 | 第35-37页 |
| 3.4.3 多尺度特征融合框架 | 第37-40页 |
| 3.5 本章小节 | 第40-41页 |
| 第4章 实验结果对比与分析 | 第41-56页 |
| 4.1 引言 | 第41页 |
| 4.2 实验条件介绍 | 第41-43页 |
| 4.2.1 实验设置与实验环境 | 第41-42页 |
| 4.2.2 数据集介绍 | 第42-43页 |
| 4.2.3 评价指标 | 第43页 |
| 4.3 数据预处理与模型训练 | 第43-45页 |
| 4.3.1 数据预处理 | 第43-44页 |
| 4.3.2 参数初始化方式与优化函数 | 第44页 |
| 4.3.3 学习策略 | 第44-45页 |
| 4.4 改进方法实验对比与分析 | 第45-50页 |
| 4.4.1 全局上下文结构对图像语义分割结果的影响 | 第45-46页 |
| 4.4.2 解码器模块对图像语义分割结果的影响 | 第46-48页 |
| 4.4.3 多尺度特征融合框架对图像语义分割结果的影响 | 第48-49页 |
| 4.4.4 与一些文献的对比 | 第49-50页 |
| 4.5 改进方法的时间性能分析 | 第50-51页 |
| 4.6 CityScapes数据集实验结果 | 第51-52页 |
| 4.7 算法效果展示 | 第52-53页 |
| 4.7.1 PascalVOC数据集实验效果 | 第52-53页 |
| 4.7.2 CityScapes数据集实验效果 | 第53页 |
| 4.8 大学城场景实验结果 | 第53-55页 |
| 4.9 本章小节 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64页 |