基于卷积神经网络的语义分割研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 传统图像分割研究现状 | 第12-13页 |
| 1.2.2 基于卷积神经网络的语义分割研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 2 语义分割相关内容研究 | 第17-32页 |
| 2.1 卷积神经网络概述 | 第17-24页 |
| 2.1.1 卷积神经网络组成结构 | 第18-19页 |
| 2.1.2 卷积神经网络模型 | 第19-22页 |
| 2.1.3 卷积神经网络训练优化算法 | 第22-24页 |
| 2.2 基于卷积神经网络的语义分割算法概述 | 第24-31页 |
| 2.2.1 典型的语义分割算法 | 第24-26页 |
| 2.2.2 语义分割模型概述 | 第26-27页 |
| 2.2.3 语义分割关键技术分析 | 第27-31页 |
| 2.3 本章小结 | 第31-32页 |
| 3 基于多尺度特征融合的语义分割模型 | 第32-47页 |
| 3.1 引言 | 第32页 |
| 3.2 相关网络模型介绍 | 第32-36页 |
| 3.2.1 DeepLab模型 | 第32-34页 |
| 3.2.2 SharpMask:实例分割模型 | 第34-35页 |
| 3.2.3 FPN:特征金字塔模型 | 第35-36页 |
| 3.3 基于多尺度特征融合的分割模型设计 | 第36-40页 |
| 3.3.1 语义特征提取 | 第37-39页 |
| 3.3.2 语义特征融合 | 第39-40页 |
| 3.4 实验及结果分析 | 第40-46页 |
| 3.4.1 实验数据处理及评价指标 | 第40-41页 |
| 3.4.2 实验环境介绍 | 第41-42页 |
| 3.4.3 实验结果分析 | 第42-46页 |
| 3.5 本章小结 | 第46-47页 |
| 4 基于编解码结构的场景语义分割模型 | 第47-60页 |
| 4.1 引言 | 第47页 |
| 4.2 相关网络模型介绍 | 第47-51页 |
| 4.2.1 PSPNet:金字塔场景解析网络 | 第47-49页 |
| 4.2.2 DRN:空洞残差网络 | 第49-51页 |
| 4.3 基于编解码结构的场景分割模型设计 | 第51-54页 |
| 4.3.1 编码阶段 | 第52-53页 |
| 4.3.2 解码过程 | 第53-54页 |
| 4.4 实验及结果分析 | 第54-59页 |
| 4.4.1 实验数据 | 第54页 |
| 4.4.2 实验参数设定 | 第54-55页 |
| 4.4.3 实验结果分析 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 5.1 本文总结 | 第60页 |
| 5.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |
