| 摘要 | 第6-7页 |
| abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 本文的研究背景和意义 | 第11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 目标轮廓检测的研究现状 | 第11-14页 |
| 1.2.2 卷积神经网络的研究现状 | 第14-15页 |
| 1.2.3 卷积神经网络在目标轮廓识别中的应用现状 | 第15页 |
| 1.3 本文的主要工作 | 第15-17页 |
| 第2章 卷积神经网络 | 第17-38页 |
| 2.1 卷积神经网络的基本思想 | 第17-21页 |
| 2.1.1 单层感知器 | 第17-18页 |
| 2.1.2 多层感知器 | 第18-19页 |
| 2.1.3 局部连接和权值共享 | 第19-20页 |
| 2.1.4 多核卷积 | 第20-21页 |
| 2.2 卷积神经网络结构 | 第21-28页 |
| 2.2.1 卷积层 | 第21-22页 |
| 2.2.2 池化层 | 第22-24页 |
| 2.2.3 激活函数 | 第24-26页 |
| 2.2.4 损失函数 | 第26-28页 |
| 2.3 卷积神经网络的训练 | 第28-30页 |
| 2.3.1 卷积神经网络有监督的训练 | 第28-29页 |
| 2.3.2 卷积神经网络无监督的训练 | 第29-30页 |
| 2.4 网络的传播 | 第30-35页 |
| 2.4.1 CNN前向传播 | 第30-31页 |
| 2.4.2 CNN反向传播 | 第31-35页 |
| 2.5 CAFFE深度网络框架 | 第35-37页 |
| 2.5.1 Caffe网络框架 | 第35-36页 |
| 2.5.2 Caffe数据结构 | 第36页 |
| 2.5.3 Caffe网络参数的配置 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 多尺度分支卷积神经网络算法 | 第38-50页 |
| 3.1 单一尺度的卷积神经网络 | 第39-43页 |
| 3.1.1 边缘候选点的选取 | 第39-41页 |
| 3.1.2 高层特征的提取 | 第41-42页 |
| 3.1.3 分支子网络基本结构 | 第42-43页 |
| 3.2 多尺度分支卷积神经网络 | 第43-45页 |
| 3.2.1 多尺度分支网络结构模型 | 第43-44页 |
| 3.2.2 多尺度分支网络结构模型分析 | 第44-45页 |
| 3.2.3 分支网络结构模型分析 | 第45页 |
| 3.2.4 多尺度分支卷积神经网络进行训练测试的算法 | 第45页 |
| 3.3 多尺度分支网络进行轮廓预测实验与分析 | 第45-49页 |
| 3.3.1 基于BSDS500数据集的训练 | 第46页 |
| 3.3.2 高层特征的优势 | 第46-47页 |
| 3.3.3 实验结果的衡量 | 第47-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 卷积神经网络结合结构化随机森林检测轮廓 | 第50-60页 |
| 4.1 K-MEANS聚类 | 第50-52页 |
| 4.1.1 K-means聚类算法的目标函数 | 第50-51页 |
| 4.1.2 K-means聚类算法的算法流程 | 第51-52页 |
| 4.2 深度特征的学习 | 第52-56页 |
| 4.2.1 卷积神经网络结构分析 | 第52-53页 |
| 4.2.2 引入正则化因子改进Softmax | 第53-55页 |
| 4.2.3 网络特征的可视化 | 第55-56页 |
| 4.3 特征分类算法 | 第56-59页 |
| 4.3.1 随机森林 | 第56-57页 |
| 4.3.2 结构化随机森林 | 第57-58页 |
| 4.3.3 仿真结果与分析 | 第58-59页 |
| 4.4 本章小节 | 第59-60页 |
| 第5章 基于VGG和FCN的目标轮廓识别的研究 | 第60-71页 |
| 5.1 VGG深度卷积神经网络网络模型 | 第61-63页 |
| 5.2 全卷积神经网络 | 第63-65页 |
| 5.3 基于FCN+VGG结合进行目标轮廓检测 | 第65-70页 |
| 5.3.1 数据集的使用及其扩展 | 第67页 |
| 5.3.2 参数的调整 | 第67-68页 |
| 5.3.3 实验结果与分析 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第77-78页 |
| 致谢 | 第78-79页 |