声明
第1章 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.3 研究内容与研究方法
1.3.1 研究内容
1.3.2 研究方法
第2章 图像语义分割算法介绍及相关原理
2.1 传统的图像分割算法
2.1.1 阈值分割法
2.1.2 边缘检测分割法
2.1.3 区域分割法
2.1.4 图论分割法
2.2 基于梯度下降的超像素分割算法
2.2.1 分水岭超像素算法
2.2.2 SLIC算法
2.3 基于深度学习的图像语义分割算法
2.3.1 卷积层
2.3.2 激活函数
2.3.3 池化层
2.3.4 全连接层
2.3.5 批归一化处理
2.4 本章小结
第3章 基于极限学习机的图像语义分割算法
3.1 基于极限学习机的图像语义分割算法模型设计
3.2 快速最近邻区域合并算法
3.2.1 区域邻接图和最近邻接图
3.2.2 区域相似性度量
3.3 基于超像素块的多特征提取
3.3.1 基于二维Gabor滤波器的特征提取
3.3.2 基于局部二值模式的特征提取
3.3.3 基于灰度共生矩阵的特征提取
3.3.4 基于灰度直方图的特征提取
3.4 基于极限学习机的随机特征分类
3.4.1 极限学习机
3.4.2 随机特征的分类与融合
3.5 实验与分析
3.5.1 实验平台配置与实验样本设置
3.5.2 实验步骤
3.5.3 实验结果与分析
3.6 本章小结
第4章 基于多尺度全卷积神经网络的图像语义分割算法
4.1 全卷积神经网络结构
4.1.1 卷积化
4.1.2 上采样
4.1.3 跳跃结构
4.1.4 SegNet网络结构
4.2 基于多尺度全卷积神经网络的图像语义分割算法
4.2.1 空洞卷积设计
4.2.2 多尺度的空间金字塔池化层设计
4.2.3 全局上下文信息结构设计
4.2.4 多尺度全卷积神经网络模型搭建
4.3 实验与分析
4.3.1 实验软硬件配置
4.3.2 实验样本设置
4.3.3 实验过程与参数设置
4.3.4 实验评价标准
4.3.5 实验结果与分析
4.4 本章小结
第5章 基于TX2嵌入式平台的图像语义分割算法的实现与测试
5.1 TX2的硬件配置和开发环境搭建
5.2 算法模型简化
5.2.1 超像素多特征提取模型简化
5.2.2 多尺度全卷积神经网络简化
5.3 基于TensorRT的加速引擎构建
5.4 实验结果与分析
5.4.1 主观分割效果评价
5.4.2 客观性能评价
5.5 本章小结
第6章 结论
6.1 研究总结
6.2 研究展望
致谢
参考文献
攻读学位期间获得与学位论文相关的科研成果
武汉理工大学;
