| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.1.1 图像分割研究的背景和意义 | 第10页 |
| 1.1.2 深度学习的背景和意义 | 第10-11页 |
| 1.2 图像分割及算法综述 | 第11-14页 |
| 1.2.1 图像分割的数学定义 | 第11-12页 |
| 1.2.2 常见图像分割算法 | 第12-14页 |
| 1.3 深度学习算法综述 | 第14-19页 |
| 1.3.1 人工神经网络 | 第14-17页 |
| 1.3.2 深度置信网络 | 第17-18页 |
| 1.3.3 深度卷积神经网络 | 第18-19页 |
| 1.4 基于深度学习的图像分割方法及国内外研究现状 | 第19页 |
| 1.5 本文研究内容与结构安排 | 第19-20页 |
| 第2章 数据生成 | 第20-37页 |
| 2.1 数据采集 | 第20-28页 |
| 2.1.1 从Internet检索公共数据集 | 第20-25页 |
| 2.1.2 仿真合成数据集 | 第25-27页 |
| 2.1.3 手工标注数据集 | 第27-28页 |
| 2.2 数据标注 | 第28-35页 |
| 2.2.1 标注软件介绍 | 第28-29页 |
| 2.2.2 标注规则 | 第29-31页 |
| 2.2.3 标注结果检查软件 | 第31-35页 |
| 2.3 数据增强 | 第35-36页 |
| 2.3.1 图像抖动 | 第35页 |
| 2.3.2 图像旋转 | 第35页 |
| 2.3.3 Fancy PCA | 第35-36页 |
| 2.4 数据平衡 | 第36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于深度学习的图像分割算法Fast-SegNet | 第37-47页 |
| 3.1 深度神经网络整体架构 | 第37-39页 |
| 3.2 深度神经网络详细结构解析 | 第39-46页 |
| 3.2.1 稀疏卷积 | 第39-41页 |
| 3.2.2 分解卷积 | 第41页 |
| 3.2.3 高层特征与底层特征融合 | 第41-42页 |
| 3.2.4 残差结构 | 第42-43页 |
| 3.2.5 批规范化 | 第43-44页 |
| 3.2.6 激活函数 | 第44-45页 |
| 3.2.7 损失函数 | 第45-46页 |
| 3.2.8 迁移学习 | 第46页 |
| 3.3 本章小结 | 第46-47页 |
| 第4章 实验与结果分析 | 第47-59页 |
| 4.1 软硬件环境配置 | 第47-49页 |
| 4.1.1 基本配置 | 第47-48页 |
| 4.1.2 深度学习框架Caffe | 第48-49页 |
| 4.2 评价标准 | 第49-51页 |
| 4.2.1 平均交叉联合度量 | 第49-50页 |
| 4.2.2 全局正确率 | 第50页 |
| 4.2.3 分类平均正确率 | 第50-51页 |
| 4.3 基于CamVid的图像分割实验与结果分析 | 第51-54页 |
| 4.3.1 参数设置 | 第51-52页 |
| 4.3.2 实验与结果分析 | 第52-54页 |
| 4.4 基于吉林大学标注数据的分割实验与结果分析 | 第54-58页 |
| 4.4.1 参数设置 | 第54页 |
| 4.4.2 实验与结果分析 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 作者简介及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |