面向道路场景理解的语义分割方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 选题意义 | 第16-17页 |
| 1.2 研究现状 | 第17-21页 |
| 1.3 研究内容与创新点 | 第21-23页 |
| 1.4 论文结构安排 | 第23-24页 |
| 第二章 语义分割关键技术研究 | 第24-38页 |
| 2.1 图像特征 | 第24-26页 |
| 2.1.1 颜色直方图 | 第24页 |
| 2.1.2 LBP特征 | 第24-26页 |
| 2.1.3 HOG特征 | 第26页 |
| 2.2 随机森林分类器 | 第26-27页 |
| 2.3 卷积神经网络 | 第27-36页 |
| 2.3.1 卷积神经网络简介 | 第27-28页 |
| 2.3.2 局部感受野 | 第28-29页 |
| 2.3.3 权值共享 | 第29页 |
| 2.3.4 多卷积核 | 第29-30页 |
| 2.3.5 池化 | 第30-31页 |
| 2.3.6 激活函数 | 第31-35页 |
| 2.3.7 Dropout | 第35-36页 |
| 2.3.8 VGG-16网络简介 | 第36页 |
| 2.4 小结 | 第36-38页 |
| 第三章 基于卷积神经网络的语义分割方法 | 第38-52页 |
| 3.1 网络概述 | 第38-39页 |
| 3.2 网络结构 | 第39-43页 |
| 3.3 网络训练 | 第43-44页 |
| 3.3.1 数据集 | 第43页 |
| 3.3.2 训练参数 | 第43-44页 |
| 3.4 实验设计 | 第44-45页 |
| 3.4.1 激活函数对比 | 第44页 |
| 3.4.2 池化方式对比 | 第44-45页 |
| 3.4.3 BN层对网络的影响 | 第45页 |
| 3.4.4 VBSN性能测试 | 第45页 |
| 3.5 结果与分析 | 第45-51页 |
| 3.5.1 激活函数对比 | 第45-46页 |
| 3.5.2 池化方式对比 | 第46-47页 |
| 3.5.3 BN层对网络的影响 | 第47-48页 |
| 3.5.4 VBSN性能测试 | 第48-51页 |
| 3.6 小结 | 第51-52页 |
| 第四章 基于超像素的自动标注方法 | 第52-66页 |
| 4.1 方法概述 | 第52页 |
| 4.2 超像素基础知识 | 第52-56页 |
| 4.2.1 超像素简介 | 第52-53页 |
| 4.2.2 超像素生成算法 | 第53-54页 |
| 4.2.3 SLIC算法 | 第54-56页 |
| 4.3 超像素特征提取 | 第56-59页 |
| 4.3.1 超像素LBP特征提取 | 第56-57页 |
| 4.3.2 超像素HOG特征提取 | 第57-58页 |
| 4.3.3 超像素SLIC特征提取 | 第58-59页 |
| 4.3.4 特征组合 | 第59页 |
| 4.4 算法流程 | 第59-61页 |
| 4.5 实验与分析 | 第61-65页 |
| 4.5.1 评价标准 | 第62页 |
| 4.5.2 超像素分割算法参数设定 | 第62-63页 |
| 4.5.3 MIX特征分类性能验证 | 第63页 |
| 4.5.4 SPBSM性能测试 | 第63-65页 |
| 4.6 小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 研究工作总结 | 第66页 |
| 5.2 存在的问题 | 第66-67页 |
| 5.3 下一步研究方向 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 作者简介 | 第74-75页 |
