首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

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

论文共75页,点击 下载论文
上一篇:供应链管理中的期权契约协调机制研究
下一篇:基于神经网络与注意力机制结合的语音情感识别研究