| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 研究现状与发展趋势 | 第13-15页 |
| 1.2.1 场景图像检索研究现状与发展趋势 | 第13-14页 |
| 1.2.2 场景语义分割研究现状与发展趋势 | 第14-15页 |
| 1.3 主要研究工作 | 第15-17页 |
| 1.4 论文内容及结构 | 第17-18页 |
| 第二章 图像检索与语义分割算法研究 | 第18-35页 |
| 2.1 卷积神经网络(CNNs/ConvNets)研究 | 第18-23页 |
| 2.1.1 CNNs的起源与算法探究 | 第18-21页 |
| 2.1.2 CNNs训练关键技术 | 第21-22页 |
| 2.1.3 CNNs的优点与应用 | 第22-23页 |
| 2.2 度量学习(Metric Learning)[38]算法研究 | 第23-25页 |
| 2.2.1 度量学习原理研究 | 第23-24页 |
| 2.2.2 度量学习算法应用 | 第24-25页 |
| 2.3 语义分割算法研究 | 第25-35页 |
| 2.3.1 语义分割的现状分析 | 第25-26页 |
| 2.3.2 语义分割主流方法研究 | 第26-31页 |
| 2.3.3 语义分割经典网络实现方法 | 第31-35页 |
| 第三章 跨天气道路场景语义分割关键技术模型建立 | 第35-48页 |
| 3.1 图像检索模型建立 | 第35-42页 |
| 3.1.1 SCNN网络结构与实现算法探究 | 第35-37页 |
| 3.1.2 ResNet网络结构与原理研究 | 第37-39页 |
| 3.1.3 融合SCNN和ResNet的模型建立 | 第39-40页 |
| 3.1.4 SCNN损失函数分析 | 第40页 |
| 3.1.5 度量学习的构建与损失函数的建立 | 第40-41页 |
| 3.1.6 测试样本的特征变换 | 第41-42页 |
| 3.2 语义分割模型建立 | 第42-48页 |
| 3.2.1 SIFT-Flow实现方法探究 | 第42页 |
| 3.2.2 SIFT-Flow融合模型的建立 | 第42-45页 |
| 3.2.3 SIFT-Flow融合模型的实现 | 第45-48页 |
| 第四章 跨天气道路场景语义分割关键技术模型实现 | 第48-55页 |
| 4.1 实验数据集的搜集与处理 | 第48-53页 |
| 4.1.1 数据的搜集 | 第48页 |
| 4.1.2 数据的处理 | 第48-53页 |
| 4.2 实验环境的搭建 | 第53-54页 |
| 4.2.1 硬件设施基础 | 第53页 |
| 4.2.2 软件条件建立 | 第53-54页 |
| 4.3 算法的实现与度量标准的确立 | 第54-55页 |
| 4.3.1 SCNN+ResNet的训练 | 第54页 |
| 4.3.2 语义分割度量标准的确立 | 第54-55页 |
| 第五章 实验结果与分析 | 第55-61页 |
| 5.1 实验数据的统一构建 | 第55-56页 |
| 5.2 图像检索的结果与分析 | 第56页 |
| 5.3 语义分割的结果与分析 | 第56-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 未来展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间取得的研究成果 | 第70页 |