為了解決傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)著色方法帶來(lái)語(yǔ)境混淆、邊緣模糊和細(xì)節(jié)信息丟失度高等問(wèn)題,設(shè)計(jì)了一個(gè)改進(jìn)的基于密集神經(jīng)網(wǎng)絡(luò)的區(qū)域全卷積神經(jīng)網(wǎng)絡(luò)（R-FCN）和基于局部特征網(wǎng)絡(luò)的雙分支神經(jīng)網(wǎng)絡(luò)模型。通過(guò)DenseNet可準(zhǔn)確提取信息,產(chǎn)生易于訓(xùn)練和高參數(shù)效率的密集模型,采用全連接的條件隨機(jī)場(chǎng)優(yōu)化分割結(jié)果來(lái)提高分割的準(zhǔn)確率。驗(yàn)證階段采用聯(lián)合雙邊濾波對(duì)圖像進(jìn)行處理,彌補(bǔ)圖像邊緣模糊的缺點(diǎn)。實(shí)驗(yàn)結(jié)果表明:與現(xiàn)有著色方法相比,該方法有效地解決了細(xì)節(jié)丟失度高、顏色不飽和及邊緣模糊的問(wèn)題,能夠產(chǎn)生更真實(shí)、更合理的彩色圖像,取得了優(yōu)異的效果。 

【文章來(lái)源】：激光與光電子學(xué)進(jìn)展. 2020,57(12)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

密集神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖像著色過(guò)程中，圖像的語(yǔ)義特征是對(duì)圖像實(shí)體類(lèi)別進(jìn)行詳細(xì)刻畫(huà)，通過(guò)對(duì)灰度圖像進(jìn)行語(yǔ)義分割來(lái)進(jìn)一步提取圖像的深層語(yǔ)義特征，主要采用以DenseNet為主干網(wǎng)絡(luò)的R-FCN方法，充分利用網(wǎng)絡(luò)前層的所有信息提取深層語(yǔ)義特征，結(jié)合分類(lèi)指導(dǎo)優(yōu)化損失。4.1 改進(jìn)的R-FCN

改進(jìn)的R-FCN結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的語(yǔ)義分割問(wèn)題研究綜述[J]. 張祥甫,劉健,石章松,吳中紅,王智.  激光與光電子學(xué)進(jìn)展. 2019(15)
[2]基于積神經(jīng)網(wǎng)絡(luò)的圖像著色方法研究[J]. 張政,姚楠,方利.  電腦知識(shí)與技術(shù). 2019(06)
[3]基于多尺度特征提取和全連接條件隨機(jī)場(chǎng)的圖像語(yǔ)義分割方法[J]. 董永峰,楊雨?,王利琴.  激光與光電子學(xué)進(jìn)展. 2019(13)
[4]基于區(qū)域全卷積網(wǎng)絡(luò)結(jié)合殘差網(wǎng)絡(luò)的火焰檢測(cè)方法[J]. 洪偉,李朝鋒.  激光與光電子學(xué)進(jìn)展. 2018(04)



本文編號(hào)：3228204