基于混合任务级联的深度卷积神经网络语义分割算法研究

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1传统的目标检测算法和基于深度学习目标检测算法

1.2.2传统的语义分割分割算法和基于深度学习的语义分割算法

1.3 基于深度学习目标检测和语义分割面临的挑战

1.4 本文的主要工作以及结构安排

第2章 语义分割相关理论基础

2.1 引言

2.2 深度学习相关知识介绍

2.2.1卷积神经网络

2.2.2卷积神经网络结构

2.2.3卷积神经网络的层次结构

2.3 全卷积神经网络（FCN）

2.3.1网络结构

2.4 RCNN系列检测分割算法

2.4.1 R-CNN 算法

2.4.2 Fast R-CNN 算法

2.4.3 Faster R-CNN 算法

第3章 基于改进的残差网络的特征提取

3.1 引言

3.2 常见特征提取网络对比

3.2.1 Alexnet网络

3.2.2 VGG-Net 网络

3.2.3 Inception 网络

3.2.4 深度残差网络（Residual Network，ResNet）

3.2.5 常见特征提取网络实验结果对比

3.3 改进残差网络

3.3.1改进残差网络模块

3.3.2改进残差网络损失函数

3.4实验结果与分析

3.4.1实验模型

3.4.2实验数据集

3.4.3实验训练过程与可视化结果

3.4.4实验结果量化分析

3.5 本章小结

第4章 基于混合级联的图像语义分割

4.1 网络结构

4.2 网络模块结构

4.2.1可变形卷积

4.2.2 Cascade R-CNN模块

4.2.3 平衡优化模块

4.3 模型混合级联结构

4.4 实验细节

4.4.1训练流程

4.4.2 训练细节

4.5 实验结果分析

4.5.1评价指标

4.5.2 模块化实验

4.5.3 本章模型分割实验

4.5.4 本章模型与其他论文模型实验对比

4.5.5 量化结果对比

4.6本章小结

第5章 基于HRNet的图像语义分割

5.1 网络结构

5.2 改进的HRnet模型

5.3 混合空洞卷积模块

5.3.1网格效应

5.4 实验流程与分析

5.4.1数据集

5.4.2 实验流程

5.5实验结果

5.5.1消融实验结果分析

5.5.2本章模型分割实验

5.5.3本章模型与其他论文模型实验对比

5.5.4 量化结果分析

5.6本章小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

作者简介及在攻读硕士期间参与项目

致谢