基于深度度量学习的显著性目标分割研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景及意义 | 第11-13页 |
| 1.2 国内外的研究现状 | 第13-15页 |
| 1.3 本文的主要内容和贡献点 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-19页 |
| 第二章 相关研究工作 | 第19-33页 |
| 2.1 深度学习理论基础 | 第19-27页 |
| 2.1.1 前馈神经网络 | 第19-23页 |
| 2.1.2 卷积神经网络 | 第23-25页 |
| 2.1.3 残差网络 | 第25-27页 |
| 2.2 度量学习理论基础 | 第27-29页 |
| 2.3 基于深度卷积网络的显著性检测 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于深度度量学习的显著性目标分割 | 第33-71页 |
| 3.1 论文研究动机 | 第33-34页 |
| 3.2 编码-解码网络 | 第34-36页 |
| 3.3 多尺度特征融合网络 | 第36-40页 |
| 3.3.1 尺度变换 | 第37页 |
| 3.3.2 特征融合 | 第37-38页 |
| 3.3.3 特征可视化 | 第38-40页 |
| 3.4 损失函数数学建模 | 第40-42页 |
| 3.4.1 交叉熵损失函数 | 第40-41页 |
| 3.4.2 度量损失函数 | 第41-42页 |
| 3.5 语义距离的表示 | 第42-43页 |
| 3.6 实验验证 | 第43-70页 |
| 3.6.1 测试数据集简介 | 第43-45页 |
| 3.6.2 网络训练和测试 | 第45-46页 |
| 3.6.3 评价指标 | 第46-48页 |
| 3.6.4 模型自我评估 | 第48-52页 |
| 3.6.5 模型对比评估 | 第52-58页 |
| 3.6.6 模型对噪声鲁棒性评估 | 第58-68页 |
| 3.6.7 效果不佳案例分析与解决方案 | 第68-70页 |
| 3.7 本章小结 | 第70-71页 |
| 第四章 基于深度度量学习的显著语义轮廓检测 | 第71-79页 |
| 4.1 轮廓检测基础 | 第71-72页 |
| 4.2 显著轮廓检测网络框架 | 第72-74页 |
| 4.2.1 数据预处理 | 第72-73页 |
| 4.2.2 网络框架 | 第73-74页 |
| 4.3 实验验证 | 第74-77页 |
| 4.3.1 数据处理 | 第74页 |
| 4.3.2 轮廓检测评价指标 | 第74-75页 |
| 4.3.3 实验结果分析 | 第75-77页 |
| 4.4 本章小结 | 第77-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 总结 | 第79-80页 |
| 5.2 展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-89页 |
| 攻读硕士学位期间发表论文情况 | 第89页 |
