1绪论 1
1.1 研究背景与意义 1
1.2 国内外研究状况与发展趋势 3
1.2.1 传统的图像语义分割技术 3
1.2.2 基于深度学习的图像语义分割技术 5
1.3 主要工作与研究成果 6
1.4 本书的主要内容与结构安排 8
2深度学习和其他相关技术介绍 11
2.1 引言 11
2.2 深度神经网络基本类型 11
2.2.1 卷积神经网络 12
2.2.2 循环神经网络 12
2.2.3 生成对抗网络 13
2.3 深度学习经典网络模型 14
2.3.1 LeNet-5网络模型 14
2.3.2 AlexNet网络模型 15
2.3.3 VGGNet网络模型 16
2.3.4 ResNet网络模型 16
2.3.5 GoogLeNet网络模型 17
2.3.6 Siamese网络模型 18
2.3.7 MobilcNets网络模型 19
2.4 迁移学习 21
2.4.1 迁移学习的基本类型 21
2.4.2 迁移学习的主要优点 24
2.4.3 迁移学习在图像语义分割领域的应用 24
2.5 本章小节 25
3基于深度学习的图像语义分割方法综述 27
3.1 引言 27
3.2 相关背景及早期研究介绍 28
3.3 基于区域分类的图像语义分割方法 29
3.3.1 基于候选区域的图像语义分割方法 30
3.3.2 基于分割掩膜的图像语义分割方法 32
3.4 基于像素分类的图像语义分割方法 33
3.4.1 基于FCN的图像语义分割方法 36
3.4.2 基于优化卷积结构的图像语义分割方法 37
3.4.3 基于编码器-解码器模型的图像语义分割方法 38
3.4.4 基于概率图模型的图像语义分割方法 40
3.4.5 基于特征融合的图像语义分割方法 42
3.4.6 基于RNN的图像语义分割方法 44
3.4.7 基于GAN的图像语义分割方法 45
3.5 本章小结 47
4一种改进“编码器-解码器模型”的图像语义分割算法 49
4.1 引言 49
4.2 一种改进的密集连接带孔卷积网络 50
4.2.1 密集卷积网络 51
4.2.2 带孔卷积 53
4.2.3 密集连接带孔卷积网络 55
4.3 一种改进的密集连接全局平均带孔金字塔池化模型 56
4.3.1 带孔空间金字塔池化模型 57
4.3.2 DenseGlobalASPP模型的结构原理 59
4.3.3 DenseGlobalASPP模型的数学分析 61
4.4 一种改进的基于“编码器-解码器模型”的图像语义分割算法 63
4.4.1 经典的“基于编码器-解码器模型的ISS算法”介绍 64
4.4.2 改进的“基于编码器-解码器模型的ISS算法”概述 66
4.4.3 DenseASPPDeconvNet网络模型的编码器模块介绍 68
4.4.4 DenseASPPDeconvNet网络模型的解码器模块介绍 71
4.4.5 DenseASPPDeconvNet网络模型的总体框架结构 73
4.5 本章小结 78
5算法实验与结果分析 79
5.1 引言 79
5.2 实验配置及相关信息介绍 80
5.2.1 实验基本配置 80
5.2.2 实验性能评价指标 81
5.2.3 实验公共数据集 82
5.3 实验参数设置及训练策略 85
5.3.1 实验参数设置 85
5.3.2 训练及调参方法 87
5.4 实验结果分析与对比 90
5.4.1 网络训练过程分析 90
5.4.2 DenseASPPDeconvNet实验结果分析与对比 93
5.4.3 DenseASPPDeconvNet中各模块性能分析与对比 99
5.4.4 实验结果可视化展示 103
5.5 本章小结 106
6总结与展望 107
6.1 本书工作内容总结 107
6.2 未来研究工作展望 109
参考文献 111
