| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文结构 | 第12-13页 |
| 第二章 深度学习算法理论概述 | 第13-24页 |
| 2.1 深度学习基本理论 | 第13-18页 |
| 2.1.1 卷积神经网络 | 第13-15页 |
| 2.1.2 循环神经网络 | 第15-16页 |
| 2.1.3 神经网络的训练 | 第16-18页 |
| 2.2 基于深度学习的编码-解码架构 | 第18-21页 |
| 2.2.1 编码-解码架构概述 | 第18页 |
| 2.2.2 基于编码-解码的Seq2Seq架构 | 第18-20页 |
| 2.2.3 变分自编码器 | 第20-21页 |
| 2.3 深度学习框架PyTorch | 第21-23页 |
| 2.3.1 PyTorch简介 | 第21页 |
| 2.3.2 PyTorch核心概念 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 数据集构建 | 第24-32页 |
| 3.1 引言 | 第24页 |
| 3.2 数据源说明 | 第24-26页 |
| 3.3 数据生成 | 第26-30页 |
| 3.3.1 Sketch-RNN | 第26-27页 |
| 3.3.2 数据选择 | 第27-29页 |
| 3.3.3 数据标注 | 第29页 |
| 3.3.4 条件生成 | 第29-30页 |
| 3.4 数据平衡 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于Sequence-to-Sequence的草图分割算法研究 | 第32-44页 |
| 4.1 引言 | 第32页 |
| 4.2 LSTM | 第32-34页 |
| 4.3 基于Seq-to-Seq的草图分割模型 | 第34-39页 |
| 4.3.1 编码器 | 第34-36页 |
| 4.3.2 解码器 | 第36-37页 |
| 4.3.3 损失函数 | 第37-38页 |
| 4.3.4 网络架构 | 第38-39页 |
| 4.4 评价指标 | 第39-40页 |
| 4.5 实验结果分析 | 第40-43页 |
| 4.5.1 可视化分析结果 | 第40-42页 |
| 4.5.2 定量分析结果 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 多类别草图分割算法研究 | 第44-60页 |
| 5.1 引言 | 第44页 |
| 5.2 基于CNN的图像特征提取 | 第44-46页 |
| 5.3 多类别草图分割模型Ⅰ | 第46-51页 |
| 5.3.1 深度卷积特征提取模块 | 第46-49页 |
| 5.3.2 模型结构(CNN & RNN+RNN) | 第49-50页 |
| 5.3.3 实验结果分析 | 第50-51页 |
| 5.4 多类别草图分割模型Ⅱ | 第51-58页 |
| 5.4.1 多类别的标签重组策略 | 第51页 |
| 5.4.2 模型结构(RNN+RNN) | 第51-52页 |
| 5.4.3 SPG数据集 | 第52-53页 |
| 5.4.4 实验结果分析 | 第53-58页 |
| 5.5 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-61页 |
| 参考文献 | 第61-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间发表的学术论文目录 | 第64页 |