| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 相关理论简介 | 第12-13页 |
| 1.2.2 图像分割常用方法 | 第13-15页 |
| 1.2.3 国内外最新图像分割研究 | 第15-17页 |
| 1.3 主要研究内容及贡献 | 第17-18页 |
| 1.4 论文结构 | 第18-20页 |
| 第二章 基于深度学习的图像分割理论基础 | 第20-35页 |
| 2.1 传统的图像分割特征提取与分类 | 第20-23页 |
| 2.1.1 传统的人工特征提取方法理论 | 第20-21页 |
| 2.1.2 传统的分类方法和理论 | 第21-23页 |
| 2.2 基于深度学习和概率图模型的图像分割学习框架 | 第23-34页 |
| 2.2.1 神经网络理论 | 第23-26页 |
| 2.2.2 卷积神经网络 | 第26-31页 |
| 2.2.3 概率图模型及条件随机场理论 | 第31-34页 |
| 2.2.4 基于深度学习和概率图模型的图像分割学习框架 | 第34页 |
| 2.3 本章小结 | 第34-35页 |
| 第三章 基于高低层结合FCN-FCRF模型的监督型图像分割 | 第35-55页 |
| 3.1 全卷积网络特征提取 | 第35-40页 |
| 3.1.1 低层图像处理中卷积神经网络的技术障碍和难点 | 第35-36页 |
| 3.1.2 全连接层转化为卷积层 | 第36-38页 |
| 3.1.3 高、低网络层结合进行上采样 | 第38-40页 |
| 3.2 全连接条件随机场精确局部定位 | 第40-45页 |
| 3.2.1 全连接条件随机场 | 第41-42页 |
| 3.2.2 全连接条件随机场对上下文建模 | 第42-45页 |
| 3.3 全卷积网络和全连接条件随机场的端对端训练 | 第45-47页 |
| 3.4 实验结果及分析 | 第47-54页 |
| 3.4.1 Caffe实验平台简介 | 第48-49页 |
| 3.4.2 实验数据集 | 第49-50页 |
| 3.4.3 实验结果分析 | 第50-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于密集采样FCN模型的弱/半监督型图像分割 | 第55-77页 |
| 4.1 图像分割中的弱监督和弱半监督 | 第55-58页 |
| 4.1.1 图像分割中的弱监督形式 | 第55-57页 |
| 4.1.2 图像分割中的弱半监督形式 | 第57-58页 |
| 4.2 基于密集采样的全卷积网络特征提取 | 第58-62页 |
| 4.2.1 全卷积网络最大化池化层的密集采样 | 第58-59页 |
| 4.2.2 全卷积网络卷积层的“孔”采样 | 第59-62页 |
| 4.3 弱监督与弱半监督模型方法设计 | 第62-70页 |
| 4.3.1 模型的训练方法——EM算法 | 第62页 |
| 4.3.2 图像级对象标注的训练模型设计 | 第62-65页 |
| 4.3.3 对象边框标注的训练模型设计 | 第65-69页 |
| 4.3.4 弱半监督型图像分割模型设计 | 第69-70页 |
| 4.4 实验结果与分析 | 第70-75页 |
| 4.4.1 实验数据集、实验环境和相关设置 | 第70-71页 |
| 4.4.2 图像级对象标注的弱监督型图像分割实验分析 | 第71-72页 |
| 4.4.3 对象边框标注的弱监督型图像分割实验分析 | 第72-73页 |
| 4.4.4 弱半监督型图像分割实验分析 | 第73-75页 |
| 4.5 本章小结 | 第75-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 工作总结 | 第77页 |
| 5.2 研究展望 | 第77-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 作者在学期间取得的学术成果 | 第86页 |
