發(fā)布時間：2020-03-25 22:20

【摘要】：圖像語義分割是計算機(jī)視覺領(lǐng)域的研究熱點,如何讓計算機(jī)按照人類理解的方式對海量的圖像實現(xiàn)精細(xì)分割是圖像理解亟待解決的問題。近年來,卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用到語義分割的研究中,并取得了顯著的成果。針對基于區(qū)域的語義分割方法在進(jìn)行語義分割時容易缺失細(xì)節(jié)信息,造成圖像語義分割結(jié)果粗糙,準(zhǔn)確度低的問題,本文提出結(jié)合上下文特征與卷積神經(jīng)網(wǎng)絡(luò)多層特征融合的語義分割方法。首先,采用選擇搜索(selective search)方法從圖像中生成不同尺度的候選區(qū)域,selective search~([1])使用基于圖的圖像分割方法~([2])生成許多的子區(qū)域,根據(jù)子區(qū)域間的相似性不斷的進(jìn)行區(qū)域迭代合并,最終輸出目標(biāo)所有可能存在的區(qū)域。此外,在對區(qū)域進(jìn)行分類時,結(jié)合了自由形式前景特征和上下文特征以更好的獲得區(qū)域前景實際像素信息。其次,采用VGG16網(wǎng)絡(luò)的前五層作為基礎(chǔ)網(wǎng)絡(luò)來提取圖像特征圖。利用refineNet將不同層提取的特征圖進(jìn)行融合,使得每一層提取的圖像特征都可以加入到最終的分割網(wǎng)絡(luò)中,將預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)按特征圖的分辨率大小分成五個模塊,然后向右將五個模塊分別作為五個路徑通過RefineNet模塊進(jìn)行融合,最后得到一個精調(diào)特征圖。最后,輸入候選區(qū)域掩膜和融合特征圖,輸出分割圖像。將候選區(qū)域的掩膜圖像和不同層融合后的特征圖輸入到自由形式感興趣區(qū)域池化層,得到候選區(qū)域的特征,最后采用加入了棄權(quán)的全連接層對候選區(qū)域進(jìn)行分類,且通過softmax層對每一個像素點進(jìn)行分類。實驗表明,本文提出的算法充分利用了區(qū)域的前景信息和上下文信息以及不同層提取的圖像特征信息,可以做到準(zhǔn)確、快速、較為有效的分割,且具有較強(qiáng)的魯棒性。
【圖文】：

第一章 緒論進(jìn)行分類，，以實現(xiàn)準(zhǔn)確無誤地避讓行人和車輛，從而將自動駕駛?cè)珎兊娜粘Ｉ�活中。如下圖 1.1 中的（a）和（b）分別是原圖和語義以看出語義分割是將具有相同類別的目標(biāo)歸為同一類，不同類別之顏色表示，圖 1.1（b）中的粉紅色代表人，藍(lán)色代表摩托車，黑色

第二章 基于深度卷積網(wǎng)絡(luò)的語義分割模型概述2.3 基于全卷積網(wǎng)絡(luò)的語義分割模型基于候選區(qū)域的模型方法雖然為語義分割的發(fā)展帶來很大的進(jìn)步，但是它需要生成大量的候選區(qū)域，生成候選區(qū)域的過程要花費大量的時間和內(nèi)存空間。此外，不同算法提取的候選區(qū)域集的質(zhì)量也千差萬別，直接影響了最終的語義分割效果。在此基礎(chǔ)上，基于全卷積網(wǎng)絡(luò)（Fully Convolution Network，F(xiàn)CN）的語義分割模型應(yīng)運而生，它不需要生成候選區(qū)域，可以直接實現(xiàn)端到端的像素級預(yù)測。全卷積網(wǎng)絡(luò)沒有全連接層，全部由卷積層構(gòu)成，圖 2.1 是文獻(xiàn)[36]提出的基于全卷積網(wǎng)絡(luò)的語義分割模型結(jié)構(gòu)圖。
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 柳欣;耿佳佳;鐘必能;杜吉祥;;多生物特征融合發(fā)展現(xiàn)狀及其展望[J];小型微型計算機(jī)系統(tǒng);2017年08期

2 孫興華,郭麗,王正群,楊靜宇;商標(biāo)圖像檢索中子圖像特征融合準(zhǔn)則研究[J];南京理工大學(xué)學(xué)報(自然科學(xué)版);2002年05期

3 宋衛(wèi)華;;基于多級別特征融合的醫(yī)學(xué)圖像檢索技術(shù)[J];南華大學(xué)學(xué)報(自然科學(xué)版);2014年02期

4 武冰;周石琳;林勇強(qiáng);商亞新;;特征融合的多時相遙感圖像道路提取方法[J];微計算機(jī)信息;2007年36期

5 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質(zhì)特征融合分類算法[J];電子技術(shù)與軟件工程;2013年02期

6 劉東杰;趙津;席阿行;;基于時空特征融合的端到端無人車控制[J];科學(xué)技術(shù)與工程;2019年30期

7 種衍杰;方琰;沙濤;;基于特征融合網(wǎng)絡(luò)的行人重識別[J];計算機(jī)系統(tǒng)應(yīng)用;2019年01期

8 梅文欣;林志賢;郭太良;;強(qiáng)化深度特征融合的行人搜索系統(tǒng)[J];計算機(jī)與現(xiàn)代化;2019年08期

9 楊亞龍;汪明月;方潛生;;基于圖像與生理參數(shù)特征融合的情感識別方法研究[J];合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2017年06期

10 林勁;;基于典型相關(guān)分析的水聲特征融合方法研究[J];中國科技信息;2014年01期

相關(guān)會議論文 前10條

1 唐侃;鄒波;;基于全局和部件特征融合的空間非合作目標(biāo)識別[A];空天資源的可持續(xù)發(fā)展——第一屆中國空天安全會議論文集[C];2015年

2 周浩;張新峰;胡廣芹;蔡軼珩;賈懋s

本文編號：2600527