| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 文的工作与贡献 | 第17-18页 |
| 1.4 本文组织与结构 | 第18-19页 |
| 第二章 图像语义分割技术 | 第19-27页 |
| 2.1 本章摘要 | 第19页 |
| 2.2 相关技术及其传统算法 | 第19-23页 |
| 2.2.1 图像分割技术 | 第19-20页 |
| 2.2.2 语义分割技术 | 第20-23页 |
| 2.3 语义分割评价指标 | 第23-24页 |
| 2.4 室内场景下的RGB-D图像数据集 | 第24-27页 |
| 第三章 卷积神经网络 | 第27-54页 |
| 3.1 本章摘要 | 第27页 |
| 3.2 卷积神经网络概述 | 第27-31页 |
| 3.2.1 卷积神经网络的优势 | 第27-28页 |
| 3.2.2 卷积神经网络的发展 | 第28-31页 |
| 3.3 卷积神经网络关键技术 | 第31-39页 |
| 3.3.1 卷积运算 | 第31-33页 |
| 3.3.2 激活函数 | 第33-34页 |
| 3.3.3 池化运算 | 第34-35页 |
| 3.3.4 规则化技术 | 第35-37页 |
| 3.3.5 损失函数与反向传播算法 | 第37-39页 |
| 3.4 语义分割中的卷积神经网络 | 第39-46页 |
| 3.4.1 全卷积神经网络 | 第39-43页 |
| 3.4.2 图像感知域与膨胀卷积网络 | 第43-46页 |
| 3.5 条件随机场与卷积神经网络的结合 | 第46-48页 |
| 3.6 卷积神经网络对RGB-D图像的处理 | 第48-54页 |
| 第四章 基于膨胀卷积与条件随机场的RGB-D语义分割 | 第54-68页 |
| 4.1 算法总体结构 | 第54-55页 |
| 4.2 基于RGB-D的膨胀卷积网络模块 | 第55-57页 |
| 4.3 基于RGB-D的全连接条件随机场模块 | 第57-58页 |
| 4.4 迁移学习与参数初始化 | 第58-60页 |
| 4.5 图像预处理与数据增强 | 第60-62页 |
| 4.5.1 图像预处理 | 第60-61页 |
| 4.5.2 数据增强 | 第61-62页 |
| 4.6 实验与分析 | 第62-66页 |
| 4.6.1 训练过程 | 第62-64页 |
| 4.6.2 测试结果 | 第64-66页 |
| 4.7 算法总结 | 第66-68页 |
| 第五章 基于全残差卷积网络的RGB-D语义分割 | 第68-81页 |
| 5.1 模型概述 | 第68页 |
| 5.2 残差与反残差模块 | 第68-70页 |
| 5.3 算法整体结构 | 第70-73页 |
| 5.4 分层逼近训练法 | 第73-75页 |
| 5.5 参数初始化与数据预处理 | 第75-76页 |
| 5.6 实验与分析 | 第76-80页 |
| 5.6.1 训练参数设置 | 第76-77页 |
| 5.6.2 测试结果 | 第77-80页 |
| 5.7 算法总结 | 第80-81页 |
| 第六章 总结与展望 | 第81-86页 |
| 6.1 文工作总结 | 第81-82页 |
| 6.2 来工作展望 | 第82-86页 |
| 参考文献 | 第86-91页 |
| 攻读硕士学位期间取得的研究成果 | 第91-92页 |
| 致谢 | 第92-93页 |
| 附件 | 第93页 |