發(fā)布時(shí)間：2018-04-04 17:35

  本文選題：圖像分割　切入點(diǎn)：深度學(xué)習(xí)　出處：《吉林大學(xué)》2017年碩士論文

【摘要】：圖像分割是數(shù)字圖像處理領(lǐng)域的一個(gè)主要研究方向,在許多計(jì)算機(jī)視覺(jué)應(yīng)用的研究中作為第一步,起到十分關(guān)鍵的作用。由于圖像分割的重要性和困難性,圖像分割技術(shù)自20世紀(jì)70年代以來(lái)一直備受研究人員的重視。雖然人們針對(duì)各種問(wèn)題提出了許多方法,但到目前為止仍然沒(méi)有一個(gè)適用于大多數(shù)圖像的分割算法,也沒(méi)有制定出標(biāo)準(zhǔn)來(lái)選擇適用的分割算法。傳統(tǒng)的圖像分割方法大部分先對(duì)圖像進(jìn)行特征提取,然后映射到某種模型中,不僅過(guò)程復(fù)雜,效果不魯棒,且往往不能給出語(yǔ)義信息。因此,提高圖像分割算法的效率并且提升分割效果具有重要的意義。得益于“大數(shù)據(jù)”和高性能計(jì)算設(shè)備的發(fā)展,深度學(xué)習(xí)成為當(dāng)前人工智能領(lǐng)域的一大研究熱點(diǎn)。深度學(xué)習(xí)本質(zhì)上是神經(jīng)網(wǎng)絡(luò)的拓展,目前在語(yǔ)音識(shí)別、人臉識(shí)別、物體識(shí)別、目標(biāo)檢測(cè)等諸多人工智能領(lǐng)域都取得了突破性進(jìn)展。在計(jì)算機(jī)視覺(jué)領(lǐng)域,深度學(xué)習(xí)應(yīng)用最廣泛的一種模型就是卷積神經(jīng)網(wǎng)絡(luò)。其通過(guò)局部連接和權(quán)值共享兩個(gè)特性,大大減少了模型參數(shù)的數(shù)量,從而使模型可以做到很深的層次。深度學(xué)習(xí)可以從大量標(biāo)注圖像數(shù)據(jù)直接學(xué)習(xí)和提取相關(guān)特征,省略過(guò)去十分繁雜的建模過(guò)程,為許多領(lǐng)域的研究提供了便利。本文就是針對(duì)基于深度學(xué)習(xí)的圖像分割方法進(jìn)行深入研究。基于深度學(xué)習(xí)的圖像語(yǔ)義分割的主要思路是,使用像素級(jí)標(biāo)注的圖像,利用上采樣、反卷積等特殊層,將普通卷積網(wǎng)絡(luò)提取到的特征再還原回原圖像尺寸,從而實(shí)現(xiàn)一種端到端的學(xué)習(xí)。本文在借鑒已有網(wǎng)絡(luò)的基礎(chǔ)上,提出了一種叫Fast-Seg Net的網(wǎng)絡(luò)新架構(gòu),新架構(gòu)使用了最新的殘差網(wǎng)絡(luò)結(jié)構(gòu),結(jié)合了稀疏卷積、分解卷積等操作,配合批歸一化,將網(wǎng)絡(luò)深度做到了28層,在提高了精度的同時(shí),依然保持了運(yùn)行的速度。通過(guò)遷移學(xué)習(xí)的訓(xùn)練方法,加快了網(wǎng)絡(luò)的收斂速度和精度。另外,本文提出了一套對(duì)圖像進(jìn)行像素級(jí)標(biāo)注的工具和流程,并編寫(xiě)了圖像像素級(jí)標(biāo)注檢查工具,采集了吉林大學(xué)校園里的街景,合格標(biāo)注了1566張照片,并在其上面訓(xùn)練了Fast-Seg Net,取得了不錯(cuò)的效果,平均聯(lián)合交叉度量m Io U達(dá)到了70.2%。
[Abstract]:Image segmentation is one of the main research directions in the field of digital image processing. As the first step in many computer vision applications, image segmentation plays a very important role.Because of the importance and difficulty of image segmentation, image segmentation technology has been paid much attention by researchers since 1970s.Although many methods have been proposed to solve various problems, up to now, there is still not a segmentation algorithm suitable for most images, nor has a standard been developed to select suitable segmentation algorithms.Most of the traditional image segmentation methods firstly extract the features of the image and then map to a certain model. The process is not only complex the effect is not robust but also the semantic information is often not given.Therefore, it is of great significance to improve the efficiency of image segmentation algorithm and improve the segmentation effect.With the development of big data and high performance computing equipment, deep learning has become a hot topic in the field of artificial intelligence.Depth learning is essentially an extension of neural network. At present, many artificial intelligence fields such as speech recognition, face recognition, object recognition, target detection and so on have made breakthrough progress.In the field of computer vision, one of the most widely used models of deep learning is convolution neural network.By means of local connection and weight sharing, the number of model parameters is greatly reduced, thus the model can achieve a very deep level.Depth learning can directly learn and extract relevant features from a large number of annotated image data, omitting the complicated modeling process of the past, and providing convenience for the research in many fields.In this paper, the method of image segmentation based on depth learning is studied in depth.The main idea of image semantic segmentation based on depth learning is to use the image tagged at pixel level, using special layers such as upper sampling, deconvolution and so on, to restore the features extracted from the general convolution network back to the original image size.In order to achieve an end-to-end learning.Based on the existing network, a new network architecture called Fast-Seg Net is proposed in this paper. The new architecture uses the latest residual network structure, combines the operations of sparse convolution, decomposition convolution and batch normalization.The network depth is 28 layers, which improves the accuracy and still keeps the speed of operation.The convergence speed and accuracy of the network are accelerated by the training method of transfer learning.In addition, this paper puts forward a set of tools and flow chart for image pixel level labeling, and compiles the image pixel level label inspection tool, collects the street view of Jilin University campus, and marks 1566 photos qualified.The Fast-Seg net is trained on it, and good results are obtained, and the average joint cross metric Mio U reaches 70.2%.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李仲;圖像分割的妙法[J];電腦知識(shí)與技術(shù);2000年S2期

2 唐偉力;龍建忠;;一種基于降雨模型的圖像分割方法在礫巖圖像分割中的應(yīng)用[J];成都信息工程學(xué)院學(xué)報(bào);2007年02期

3 黃曉莉;曾黃麟;王秀碧;劉永春;;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J];信息技術(shù);2008年09期

4 肖飛;綦星光;;圖像分割方法綜述[J];可編程控制器與工廠自動(dòng)化;2009年11期

5 汪一休;;一種交互式圖像分割的修正優(yōu)化方法[J];中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào);2010年02期

6 李丹;;圖像分割方法及其應(yīng)用研究[J];科技信息;2010年36期

7 龔永義;黃輝;于繼明;關(guān)履泰;;基于熵的兩區(qū)域圖像分割[J];中國(guó)圖象圖形學(xué)報(bào);2011年05期

8 張甫;李興來(lái);陳佳君;;淺談圖像分割方法的研究運(yùn)用[J];科技創(chuàng)新與應(yīng)用;2012年04期

9 汪梅;何高明;賀杰;;常見(jiàn)圖像分割的技術(shù)分析與比較[J];計(jì)算機(jī)光盤(pán)軟件與應(yīng)用;2013年06期

10 魏慶;盧照敢;邵超;;基于復(fù)雜性指數(shù)的圖像分割必要性判別技術(shù)[J];計(jì)算機(jī)工程與應(yīng)用;2013年16期

相關(guān)會(huì)議論文 前10條

1 楊魁;趙志剛;;圖像分割技術(shù)綜述[A];2008年中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集（下冊(cè)）[C];2009年

2 楊暄;郭成安;李建華;;改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)及其在圖像分割中的應(yīng)用[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

3 楊生友;;圖像分割在醫(yī)學(xué)圖像中應(yīng)用現(xiàn)狀綜述[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)論文集[C];2009年

4 閆平昆;;基于模型的圖像分割技術(shù)及其醫(yī)學(xué)應(yīng)用[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

5 高嵐;胡友為;潘峰;盧凌;;基于小生境遺傳算法的SAR圖像分割[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（下冊(cè)）[C];2005年

6 孫莉;張艷寧;胡伏原;趙榮椿;;基于Gaussian-Hermite矩的SAR圖像分割[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

7 李盛;;基于協(xié)同聚類的圖像分割[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張利;許家佗;;舌象圖像分割技術(shù)的研究與應(yīng)用進(jìn)展[A];中華中醫(yī)藥學(xué)會(huì)中醫(yī)診斷學(xué)分會(huì)第十次學(xué)術(shù)研討會(huì)論文集[C];2009年

9 秦昆;李振宇;李輝;李德毅;;基于云模型和格網(wǎng)劃分的圖像分割方法[A];《測(cè)繪通報(bào)》測(cè)繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 高惠琳;竇麗華;陳文頡;謝剛;;圖像分割技術(shù)在醫(yī)學(xué)CT中的應(yīng)用[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 白雪飛;基于視覺(jué)顯著性的圖像分割方法研究[D];山西大學(xué);2014年

2 黃萬(wàn)里;基于高分衛(wèi)星數(shù)據(jù)多尺度圖像分割方法的天山森林小班邊界提取研究[D];福建師范大學(xué);2015年

3 王輝;圖像分割的最優(yōu)化和水平集方法研究[D];電子科技大學(xué);2014年

4 高婧婧;腦部MR圖像分割理論研究[D];電子科技大學(xué);2014年

5 潘改;偏微分方程在圖像分割中的應(yīng)用研究[D];東北大學(xué);2013年

6 馮籍瀾;高分辨率SAR圖像分割與分類方法研究[D];電子科技大學(xué);2015年

7 李偉斌;圖像分割中的變分模型與快速算法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2014年

8 鄧曉政;基于免疫克隆選擇優(yōu)化和譜聚類的復(fù)雜圖像分割[D];西安電子科技大學(xué);2014年

9 帥永e，

本文編號(hào)：1710972