快速鲁棒的图像语义分割算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 本文研究背景与意义 | 第14-16页 |
| 1.2 国内外的研究现状与发展趋势 | 第16-19页 |
| 1.2.1 传统的场景理解方法 | 第17-18页 |
| 1.2.2 基于深度学习的图像语义分割方法 | 第18-19页 |
| 1.3 问题的提出以及本文的主要工作 | 第19-20页 |
| 1.4 本文组织结构 | 第20-22页 |
| 第2章 图像语义分割的基础算法 | 第22-34页 |
| 2.1 能量最小化的图割算法 | 第22-28页 |
| 2.1.1 能量最小化问题 | 第22-23页 |
| 2.1.2 图割算法 | 第23-28页 |
| 2.2 深度学习图像语义分割 | 第28-32页 |
| 2.2.1 卷积神经网络 | 第28-32页 |
| 2.2.2 全卷积网络 | 第32页 |
| 2.3 本章小结 | 第32-34页 |
| 第3章 基于近似最近邻搜索的图像语义分割 | 第34-54页 |
| 3.1 引言 | 第34-35页 |
| 3.2 基于最近邻搜索的图像分割 | 第35-36页 |
| 3.3 稀疏向量量化 | 第36-39页 |
| 3.3.1 向量量化回顾及改进 | 第36-38页 |
| 3.3.2 字典学习 | 第38-39页 |
| 3.4 稀疏乘积量化算法 | 第39-41页 |
| 3.4.1 主要算法 | 第39-40页 |
| 3.4.2 近似最近邻搜索算法 | 第40-41页 |
| 3.5 实验结果及分析 | 第41-53页 |
| 3.5.1 实验配置 | 第43-47页 |
| 3.5.2 算法评测 | 第47-50页 |
| 3.5.3 基于近似最近邻的图像语义分割 | 第50-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第4章 噪声感知的图像协同分割 | 第54-71页 |
| 4.1 引言 | 第54-55页 |
| 4.2 基于注意力的预处理 | 第55-59页 |
| 4.2.1 注意力定义 | 第55-56页 |
| 4.2.2 基于注意力的图像过滤 | 第56-57页 |
| 4.2.3 图像集子聚类 | 第57-59页 |
| 4.3 基于先验的协同分割 | 第59-63页 |
| 4.3.1 基于能量最小化的图像分割 | 第59-62页 |
| 4.3.2 局部先验和全局先验 | 第62-63页 |
| 4.4 实验结果与分析 | 第63-70页 |
| 4.4.1 实验设置 | 第63-64页 |
| 4.4.2 与基准方法的对比 | 第64-65页 |
| 4.4.3 实验结果对比 | 第65-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 基于深度学习的图像语义分割 | 第71-86页 |
| 5.1 引言 | 第71-72页 |
| 5.2 主要算法 | 第72-76页 |
| 5.2.1 层次带孔模块 | 第73-74页 |
| 5.2.2 特征提炼模块 | 第74-76页 |
| 5.2.3 网络模型结构 | 第76页 |
| 5.3 实验结果与分析 | 第76-84页 |
| 5.3.1 实现细节 | 第78-79页 |
| 5.3.2 速度性能 | 第79-80页 |
| 5.3.3 Cityscapes数据集上的评测 | 第80页 |
| 5.3.4 CamVid数据集上的评测 | 第80-82页 |
| 5.3.5 Kitti数据集上的评测 | 第82-83页 |
| 5.3.6 Helen数据集上的评测 | 第83-84页 |
| 5.4 本章小结 | 第84-86页 |
| 第6章 总结与展望 | 第86-89页 |
| 6.1 全文总结 | 第86-88页 |
| 6.2 展望 | 第88-89页 |
| 参考文献 | 第89-100页 |
| 攻读博士学位期间的主要研究成果 | 第100-101页 |
| 致谢 | 第101页 |
