發(fā)布時間：2021-06-13 19:44

　　為了解決傳統(tǒng)的卷積神經(jīng)網(wǎng)絡著色方法帶來語境混淆、邊緣模糊和細節(jié)信息丟失度高等問題,設計了一個改進的基于密集神經(jīng)網(wǎng)絡的區(qū)域全卷積神經(jīng)網(wǎng)絡（R-FCN）和基于局部特征網(wǎng)絡的雙分支神經(jīng)網(wǎng)絡模型。通過DenseNet可準確提取信息,產(chǎn)生易于訓練和高參數(shù)效率的密集模型,采用全連接的條件隨機場優(yōu)化分割結(jié)果來提高分割的準確率。驗證階段采用聯(lián)合雙邊濾波對圖像進行處理,彌補圖像邊緣模糊的缺點。實驗結(jié)果表明:與現(xiàn)有著色方法相比,該方法有效地解決了細節(jié)丟失度高、顏色不飽和及邊緣模糊的問題,能夠產(chǎn)生更真實、更合理的彩色圖像,取得了優(yōu)異的效果。 

【文章來源】：激光與光電子學進展. 2020,57(12)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

密集神經(jīng)網(wǎng)絡結(jié)構(gòu)

圖像著色過程中，圖像的語義特征是對圖像實體類別進行詳細刻畫，通過對灰度圖像進行語義分割來進一步提取圖像的深層語義特征，主要采用以DenseNet為主干網(wǎng)絡的R-FCN方法，充分利用網(wǎng)絡前層的所有信息提取深層語義特征，結(jié)合分類指導優(yōu)化損失。4.1 改進的R-FCN

改進的R-FCN結(jié)構(gòu)

【參考文獻】：
期刊論文
[1]基于深度學習的語義分割問題研究綜述[J]. 張祥甫,劉健,石章松,吳中紅,王智.  激光與光電子學進展. 2019(15)
[2]基于積神經(jīng)網(wǎng)絡的圖像著色方法研究[J]. 張政,姚楠,方利.  電腦知識與技術(shù). 2019(06)
[3]基于多尺度特征提取和全連接條件隨機場的圖像語義分割方法[J]. 董永峰,楊雨?,王利琴.  激光與光電子學進展. 2019(13)
[4]基于區(qū)域全卷積網(wǎng)絡結(jié)合殘差網(wǎng)絡的火焰檢測方法[J]. 洪偉,李朝鋒.  激光與光電子學進展. 2018(04)



本文編號：3228204