第一个书签之前
基于深度学习的弱监督图像分割方法研究
Research on Weakly Supervised Image Segmentation Method Based on Deep Learning
摘 要
Abstract
目 录
Contents
第1章 绪论
1.1 课题研究背景及意义
1.1.1 课题背景
1.1.2 课题意义
1.2 传统图像分割方法
1.2.1 基于聚类的分割方法
1.2.2 基于图的分割方法
1.2.3 分割方法常用术语介绍
1.3 深度学习研究现状及在图像语义分割上的应用
1.3.1 深度卷积神经网络简介
1.3.2 全监督图像语义分割
1.3.3 弱监督图像语义分割
1.3.4 问题与不足
1.4 本文主要研究内容
第2章 基于形状先验的图像前景目标分割
2.1 引言
2.2.1 模型概述
2.2.2 形状预测
2.2.3 融合形状先验的图切算法
2.3 实验结果与分析
2.3.1 实验设置
2.3.2 形状先验有效性验证
2.3.3 参数对分割的影响
2.3.4 PASCAL VOC 2010数据集分割结果对比
2.3.5 BSD300数据集分割结果对比
2.3.6 召回率对比
2.4 本章小结
第3章 基于位置线索和EM算法的弱监督语义分割
3.1 引言
3.2 弱监督图像语义分割问题描述
3.3 基于位置线索和EM算法的弱监督语义分割
3.3.1 位置线索
3.3.2 基于位置线索与EM算法的分割方法
3.3.3 E步估计
3.3.4 M步估计
3.3.5 混合训练策略
3.4.1 实验设置
3.4.2 位置线索有效性验证
3.4.3 阈值对分割的影响
3.4.4 与EM-Fixed及EM-Adapt算法比较
3.4.5 影响因子s对分割的影响
3.4.6 混合训练策略的分割性能
3.4.7 与弱监督语义分割方法的比较
3.5 本章小结
第4章 融合注意力图与显著图的弱监督图像语义分割
4.1 引言
4.2 注意力图与显著图
4.3 融合注意力图与显著图的弱监督语义分割
4.3.1 生成注意力图
4.3.2 生成显著图
4.3.3 生成伪像素标注
4.3.4 全连接条件随机场优化分割结果
4.4.1 实验设置
4.4.2 注意力图及伪像素标注有效性验证
4.4.3 Dense-CRF优化有效性验证
4.4.4 分割网络性能验证
4.4.5 与弱监督语义分割方法的比较
4.5 本章小结
第5章 融合Superpixel-CRF优化模型的迭代结构弱监督图像语义分割
5.1 引言
5.2.1 模型结构
5.2.2 Superpixel-CRF优化
5.2.3 迭代训练框架
5.3.1 实验设置
5.3.2 Superpixel-CRF优化有效性验证
5.3.3 迭代训练框架有效性验证
5.3.4 网络交替训练有效性验证
5.3.5 与弱监督语义分割方法的比较
5.4 全监督/半监督语义分割与WSIF的对比及分析
5.5 本章小结
结 论
参考文献
攻读博士学位期间发表的论文及其他成果
哈尔滨工业大学学位论文原创性声明和使用权限
致 谢
个人简历
哈尔滨工业大学;
