基于稠密反卷积聚合网络的图像语义分割技术研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 研究历史与现状 | 第10-11页 |
| 1.3 本文主要研究内容与贡献 | 第11-12页 |
| 1.4 本文章节安排 | 第12-13页 |
| 第二章 相关背景知识介绍 | 第13-26页 |
| 2.1 卷积神经网络术语介绍 | 第13-15页 |
| 2.1.1 卷积层 | 第13-14页 |
| 2.1.2 激活函数 | 第14页 |
| 2.1.3 池化层 | 第14-15页 |
| 2.2 经典分类网络 | 第15-19页 |
| 2.2.1 VGG网络 | 第15-17页 |
| 2.2.2 ResNet网络 | 第17-19页 |
| 2.3 经典分割网络 | 第19-25页 |
| 2.3.1 基于FCN的语义分割框架介绍 | 第19-23页 |
| 2.3.2 基于编码-解码器的语义分割框架介绍 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于DDANet的图像语义分割 | 第26-42页 |
| 3.1 研究目的 | 第26-28页 |
| 3.2 研究方法 | 第28-31页 |
| 3.3 实验部分 | 第31-34页 |
| 3.3.1 数据集 | 第31-32页 |
| 3.3.2 度量指标 | 第32-33页 |
| 3.3.3 模型训练 | 第33-34页 |
| 3.4 实验结果分析 | 第34-41页 |
| 3.4.1 Cityscapes | 第35-36页 |
| 3.4.2 PASCAL VOC2012 | 第36-38页 |
| 3.4.3 ISBI2012 | 第38-39页 |
| 3.4.4 消融实验 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于R-DDANet的图像语义分割 | 第42-53页 |
| 4.1 研究目的 | 第42-43页 |
| 4.2 研究方法 | 第43-47页 |
| 4.2.1 整体架构 | 第43-46页 |
| 4.2.2 MSC模块 | 第46-47页 |
| 4.3 实验部分 | 第47页 |
| 4.3.1 实验细节 | 第47页 |
| 4.3.2 模型训练 | 第47页 |
| 4.4 实验结果分析 | 第47-52页 |
| 4.4.1 Cityscapes | 第48-49页 |
| 4.4.2 PASCAL VOC2012 | 第49-51页 |
| 4.4.3 消融实验 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第58-59页 |
| 附录2 攻读硕士学位期间申请的专利 | 第59-60页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第60-61页 |
| 附录4 攻读硕士学位期间获得的奖项 | 第61-62页 |
| 致谢 | 第62页 |
