基于深度学习和迁移学习联合的RGB-D语义分割模型研究
摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第10-21页 |
1.1 课题背景与意义 | 第10-12页 |
1.2 语义分割研究现状 | 第12-15页 |
1.2.1 RGB语义分割 | 第12-13页 |
1.2.2 RGB-D语义分割 | 第13-14页 |
1.2.3 常用数据集 | 第14-15页 |
1.3 迁移学习研究现状 | 第15-18页 |
1.3.1 传统迁移学习 | 第16-17页 |
1.3.2 深度迁移学习 | 第17-18页 |
1.4 本文研究内容 | 第18-19页 |
1.5 本文章节安排 | 第19-21页 |
第二章 卷积神经网络 | 第21-36页 |
2.1 引言 | 第21页 |
2.2 卷积神经网络概述 | 第21-25页 |
2.2.1 卷积神经网络的发展历史 | 第21-24页 |
2.2.2 卷积神经网络的优势 | 第24-25页 |
2.3 卷积神经网络关键技术 | 第25-32页 |
2.3.1 卷积运算 | 第25-26页 |
2.3.2 激活函数 | 第26-28页 |
2.3.3 池化技术 | 第28-29页 |
2.3.4 正则化技术与随机失活技术 | 第29-30页 |
2.3.5 损失函数与反向传播算法 | 第30-32页 |
2.4 全卷积神经网络 | 第32-36页 |
2.4.1 网络结构 | 第32-34页 |
2.4.2 上采样与跳跃连接 | 第34-36页 |
第三章 RGB-D融合语义分割模型 | 第36-48页 |
3.1 引言 | 第36页 |
3.2 算法总体结构 | 第36-37页 |
3.3 融合位置 | 第37-39页 |
3.4 融合结构 | 第39-42页 |
3.4.1 特征融合方式 | 第39-41页 |
3.4.2 特征筛选结构 | 第41-42页 |
3.5 实验结果与分析 | 第42-48页 |
3.5.1 评价指标 | 第42-43页 |
3.5.2 实验内容 | 第43-44页 |
3.5.3 数据增强 | 第44页 |
3.5.4 训练过程 | 第44-45页 |
3.5.5 实验结果 | 第45-48页 |
第四章 深度图修复算法 | 第48-57页 |
4.1 引言 | 第48页 |
4.2 快速行进算法 | 第48-52页 |
4.3 深度修复算法 | 第52-53页 |
4.4 实验结果与分析 | 第53-57页 |
第五章 迁移学习语义分割模型 | 第57-67页 |
5.1 引言 | 第57页 |
5.2 领域自适应方法 | 第57-58页 |
5.3 迁移学习分割网络 | 第58-62页 |
5.3.1 网络结构 | 第58-61页 |
5.3.2 损失函数 | 第61-62页 |
5.4 实验结果与分析 | 第62-67页 |
5.4.1 实验内容 | 第62页 |
5.4.2 数据采集与预处理 | 第62-64页 |
5.4.3 训练过程 | 第64页 |
5.4.4 实验结果 | 第64-67页 |
第六章 总结与展望 | 第67-69页 |
6.1 本文工作总结 | 第67-68页 |
6.2 未来工作展望 | 第68-69页 |
参考文献 | 第69-73页 |
致谢 | 第73-75页 |
攻读学位期间发表的学术成果 | 第75页 |