首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于多方向模板及深度学习的线状目标检测与分割

摘要第5-6页
ABSTRACT第6-7页
符号对照表第11-13页
缩略语对照表第13-17页
第一章 绪论第17-21页
    1.1 引言第17页
    1.2 研究的背景及意义第17-18页
    1.3 国内外研究现状第18-19页
    1.4 本文主要工作及章节安排第19-21页
第二章 线状目标检测基础理论第21-33页
    2.1 线状目标类型分析第21-22页
    2.2 传统线状目标检测算法第22-26页
        2.2.1 边缘检测算法第22-24页
        2.2.2 直线检测算法第24-26页
    2.3 深度学习相关理论基础第26-31页
        2.3.1 卷积神经网络第27-29页
        2.3.2 Dropout第29-30页
        2.3.3 批归一化第30-31页
    2.4 本章小结第31-33页
第三章 基于多方向大尺度模板卷积的裂缝分割第33-45页
    3.1 图像阈值化第33-36页
        3.1.1 全局阈值算法第33-34页
        3.1.2 局部自适应阈值化第34-36页
    3.2 多方向大尺度模板介绍第36-37页
    3.3 算法实现第37-41页
        3.3.1 算法流程第37-38页
        3.3.2 算法流程分析第38-41页
    3.4 实验结果与分析第41-44页
    3.5 本章小结第44-45页
第四章 基于卷积神经网络的裂缝检测第45-63页
    4.1 数据准备第45-49页
        4.1.1 数据划分及标注第45-48页
        4.1.2 数据扩充第48-49页
    4.2 网络模型设计第49-50页
    4.3 网络模型改进第50-54页
        4.3.1 Network In Network第50-51页
        4.3.2 Google Inception V1第51-52页
        4.3.3 设计CD-Net V2第52-54页
    4.4 训练结果及分析第54-60页
        4.4.1 实验条件第54页
        4.4.2 评价指标第54-55页
        4.4.3 实验结果第55-59页
        4.4.4 特征图可视化第59-60页
    4.5 单层卷积神经网络第60-62页
    4.6 本章小结第62-63页
第五章 基于全卷积神经网络的裂缝语义分割第63-81页
    5.1 全卷积神经网络介绍第63-66页
    5.2 基于FCN的裂缝语义分割第66-68页
        5.2.1 数据准备第66页
        5.2.2 网络模型及参数第66-68页
    5.3 基于U-Net的裂缝语义分割第68-70页
        5.3.1 U-Net介绍第68-70页
        5.3.2 网络模型及参数第70页
    5.4 训练结果及分析第70-80页
        5.4.1 实验条件第70-71页
        5.4.2 评价指标第71-72页
        5.4.3 实验结果第72-76页
        5.4.4 特征图可视化第76-80页
    5.5 本章小结第80-81页
第六章 总结与展望第81-85页
    6.1 本文工作总结第81-82页
    6.2 未来展望第82-85页
参考文献第85-89页
致谢第89-91页
作者简介第91-92页

论文共92页,点击 下载论文
上一篇:高性能数字锁相环高层次模型及电路技术研究
下一篇:自闭症儿童交际障碍诊断与矫治系统设计和应用