基于随机森林算法的街道场景语义分割
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 图像语义分割的研究现状 | 第11-13页 |
| 1.2.2 随机森林算法的研究现状 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 第2章 场景语义理解与超像素分割 | 第16-27页 |
| 2.1 场景语义理解 | 第16-19页 |
| 2.1.1 场景语义理解概述 | 第16-17页 |
| 2.1.2 场景语义建模方法 | 第17-19页 |
| 2.2 超像素分割 | 第19-26页 |
| 2.2.1 超像素理论 | 第19-20页 |
| 2.2.2 评价标准 | 第20页 |
| 2.2.3 超像素分割对比实验 | 第20-23页 |
| 2.2.4 SLIC超像素分割 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于超像素与随机森林的街景图像分割 | 第27-46页 |
| 3.1 特征的提取 | 第27-34页 |
| 3.1.1 HSV颜色直方图特征 | 第27-28页 |
| 3.1.2 纹理特征 | 第28-30页 |
| 3.1.3 形状特征 | 第30-33页 |
| 3.1.4 空间关系特征 | 第33-34页 |
| 3.2 超像素特征表达 | 第34页 |
| 3.3 随机森林分类器 | 第34-37页 |
| 3.3.1 Bagging的原理 | 第34-35页 |
| 3.3.2 决策树 | 第35-37页 |
| 3.3.3 随机森林 | 第37页 |
| 3.4 实验与分析 | 第37-45页 |
| 3.4.1 实验环境与数据集介绍 | 第37-38页 |
| 3.4.2 模型评估 | 第38-39页 |
| 3.4.3 分类器比较 | 第39-40页 |
| 3.4.4 实验流程与结果分析 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于CNN与随机森林的街景分割 | 第46-57页 |
| 4.1 模型描述 | 第46-51页 |
| 4.1.1 CNN方法 | 第46-48页 |
| 4.1.2 基于CNN的特征提取 | 第48-50页 |
| 4.1.3 基于随机森林的语义分割 | 第50-51页 |
| 4.2 整体实验方案设计 | 第51页 |
| 4.3 实验与分析 | 第51-56页 |
| 4.3.1 实验环境与数据集介绍 | 第51-52页 |
| 4.3.2 模型评价 | 第52-53页 |
| 4.3.3 实验结果分析 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间发表的学术成果 | 第62-63页 |
| 致谢 | 第63页 |
