圖像語義分割技術其目的是為圖像中每個像素分配類別標簽,由于此項技術與無人駕駛等多種智能應用密切相關,因此成為了計算機視覺中一個研究熱點。深度學習的迅速發(fā)展推動語義分割領域的研究取得突破性進展,使用卷積神經網絡進行語義分割的方法效果遠遠好于其他方法,通過不斷探索及研究該領域中深度學習算法后發(fā)現:卷積神經網絡中大量的卷積和池化操作縮小了圖像的分辨率,導致像素一定程度上失去了空間信息,并且由于神經網絡以像素為單位進行特征提取及學習,缺少對圖像的整體理解,現有網絡在物體所屬類別的分類上表現仍然有所欠缺。基于以上問題,本研究使用場景上下文編碼模塊,通過對自然場景中圖像所包含的場景信息進行編碼學習。該方法圖像分割與圖像中的場景緊密的聯系起來,從全局理解圖像的語義并且利用圖像場景中的圖像語義信息來指導語義分割任務。從而使得整體的像素分類更加合理,分割結果更加準確,具體的研究內容如下:（1）本研究提出了基于限定場景上下文編碼的語義分割網絡,網絡中融合了一個場景編碼模塊。利用圖像中的場景信息對理解圖像中像素的對象類別提供幫助,并且能夠通過場景信息將圖像像素的類別分類限制在符合場景信息的類別上。（2）通過... 

【文章來源】：北方工業(yè)大學北京市

【文章頁數】：60 頁

【學位級別】：碩士

【部分圖文】：

語義分割在醫(yī)學領域的分割示意圖

叫?惶岢�。�?芯恐蟹⑾鄭??綺?數的增加并不能持續(xù)地優(yōu)化其性能，相反隨著網絡的加深，反向傳播的梯度逐漸消失，模型的準確率開始下降，網絡的收斂速度也大大減慢。2015年，一個被稱為殘差網絡[13]（ResidualNetwork，ResNet）的特征提取模型由何凱明及其團隊所提出，該網絡的作者基于計算機視覺領域中的殘差表達的原理將其應用于構建CNN的模型。殘差網絡是由被稱為殘差塊（ResidualBlock）的基本單元構成，其的主要特點是在網絡中添加了跳躍連接，通過多層卷積之間輸入于輸出之間的殘差來進行特征學習。殘差塊的組成如圖1-2所示。實驗中表明殘差結構能夠有效避免梯度消失的問題。圖1-2殘差塊結構圖實際的殘差網絡中，使用的殘差結構稱為瓶頸結構（BottleNeckBlock），不同數量的BottleNeckBlock結合組成殘差網絡。從淺至深有ResNet18、ResNet34、ResNet50、ResNet101、ResNet152。由于越深的網絡訓練耗時越長，而淺層網絡性能有所欠缺，實際應用中常用ResNet50、ResNet101作為特征提取網絡。1.2.2圖像分割研究現狀在圖像分割的研究領域中，由于卷積神經網絡具有高效率的學習性能，受到了眾多學者的青睞，不僅成為了研究中的熱點，并且在實際中得到了廣泛的應用。除卷積神經網絡外，循環(huán)神經網絡（RecurrentNeuralNetwork,RNN）具有能夠通過處理歷史信息進而進行建模的特點，在一些與時間序列相關的問題上總會RNN的身影，因此在圖像處理中RNN通常用于對圖像的上下文信息進行捕獲。傳統(tǒng)模型通常面臨欠擬合或過擬合的問題，生成對抗網絡（GenerativeAdversarialNetworks,GAN）通過生成器和判別器兩個模型之間的相互對抗，具有更好的學習能力，避免了此類問題，因此逐漸在語義分割的研究中流行起來�？傮w上講，

第二章語義分割相關知識概述9層，同一層內結點相互獨立。圖2-1簡易神經網絡模型圖每個結點對應的計算公式如（2-2）所示：{1(2)=(1(2))=(11(1)1+12(1)2+1(1))2(2)=(2(2))=(21(1)1+22(1)2+2(1))3(2)=(3(2))=(31(1)1+32(1)2+3(1))（2-2）輸出層對應計算公式如（2-3）所示：()=(11(2)1(2)+12(2)2(2)+13(2)3(2)+1(2))（2-3）神經網絡每一層相對于前一層學習到了更多的特征，網絡因此可以表達更深層次的特征，能夠更準確地進行預測。因此多層神經網絡模型逐漸被普遍運用。為了實現更復雜的任務，需要提取的特征數量不斷增加，研究者們在神經網絡中不斷堆疊隱藏層，神經網絡的結構走向復雜化，訓練過程中計算量大且整體耗時長。2.1.2反向傳播神經網絡的學習過程實際上是對網絡中的參數尋求最優(yōu)解的問題，通常情況下可由梯度下降法重復進行迭代完成最優(yōu)化過程。但是因為神經網絡包含多個神經元，對應包含多個參數，依照鏈式法則計算每個參數的梯度計算量則過大。因此，反向傳播方法被應用于神經網絡中以解決計算量過大的問題。反向傳播算法屬于監(jiān)督式算法[24][25]按照網絡結構，反向傳播算法使用鏈式法則從后往前反向計算出每一層的梯度，根據梯度自動更新網絡中的權值和偏差，每一次參數的變化都將以反向傳播這種方式傳遞送到網絡各層，這便可以讓網絡的輸出值逐漸達到使用者的期望。反向傳播算法兩個步驟組成：第一步，激勵傳

【參考文獻】：
期刊論文
[1]基于顏色和空間距離的顯著性區(qū)域固定閾值分割算法[J]. 錢堃,李芳,文益民.  計算機科學. 2016(01)
[2]基于HSI和LAB顏色空間的彩色圖像分割[J]. 龐曉敏,閔子建,闞江明.  廣西大學學報(自然科學版). 2011(06)
[3]移動機器人目標分割及測距方法研究[J]. 沈春生,王耀南.  計算機工程與應用. 2011(23)
[4]Unit-Linking PCNN和圖像熵的彩色圖像分割與邊緣檢測[J]. 譚穎芳,周冬明,趙東風,聶仁燦.  計算機工程與應用. 2009(12)
[5]基于形態(tài)學梯度重構和標記提取的分水嶺圖像分割[J]. 王宇,陳殿仁,沈美麗,吳戈.  中國圖象圖形學報. 2008(11)
[6]基于區(qū)域生長法的圖像分割技術[J]. 陳方昕.  科技信息(科學教研). 2008(15)
[7]梯度下降法[J]. 劉穎超,張紀元.  南京理工大學學報(自然科學版). 1993(02)



本文編號：2978847