近期的弱監(jiān)督圖像語義分割算法主要是基于通用分類網(wǎng)絡的弱定位能力生成初始定位圖,然后基于擦除或區(qū)域生長等方法擴展初始定位圖中的物體語義區(qū)域以獲得較完整的物體定位圖,最后基于該定位圖合成分割標簽訓練分割網(wǎng)絡。較之早期算法能更好地獲得物體的定位區(qū)域,但在物體語義區(qū)域定位的準確率、訓練步驟及效率方面仍存在一定的局限性。針對這些局限性,本文提出一種基于全局區(qū)域生長的定位圖優(yōu)化方法,并進一步采用分割標簽質量提升與多尺度信息優(yōu)化方法來提升圖像語義分割性能。本文主要包括以下內容:（1）針對定位圖定位區(qū)域的稀疏問題,提出全局區(qū)域生長的定位圖優(yōu)化方法�；谠摲椒ㄔO計了一個用于分割的全局區(qū)域生長網(wǎng)絡（Global Regional Growth Network,GRGN）。全局區(qū)域生長方法首先基于初始定位區(qū)域的定位分布,對特征圖全局處理,著重突出對象非判別區(qū)域。然后,利用判別區(qū)域引導網(wǎng)絡在訓練中關注非判別區(qū)域并激活,與初始定位圖融合后獲得較完整的對象語義區(qū)域。最后,基于融合后的定位圖合成分割標簽完成分割學習。（2）針對分割標簽信息不精準和語義信息不足問題,提出了分割標簽質量提升與多尺度信息優(yōu)化方法。該方法與... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 基于多示例學習的分割方法
        1.2.2 基于擦除的分割方法
        1.2.3 基于種子區(qū)域生長的分割方法
        1.2.4 基于空洞卷積的分割方法
    1.3 論文研究內容和創(chuàng)新點
    1.4 論文組織結構
第二章 相關理論與技術
    2.1 深度學習
        2.1.1 卷積神經(jīng)網(wǎng)絡基礎理論
        2.1.2 常用深度網(wǎng)絡模型
        2.1.3 損失函數(shù)
    2.2 評價標準
    2.3 數(shù)據(jù)集
    2.4 本章小結
第三章 基于全局區(qū)域生長的定位圖優(yōu)化
    3.1 全局區(qū)域生長網(wǎng)絡
    3.2 全局區(qū)域生長
        3.2.1 獲取初始定位圖
        3.2.2 生成補位定位圖
    3.3 合成分割標簽
    3.4 實驗
        3.4.1 實驗設置
        3.4.2 全局區(qū)域生長效果
        3.4.3 參數(shù)調優(yōu)實驗
        3.4.4 語義分割效果
    3.5 本章小結
第四章 分割標簽質量提升與多尺度信息優(yōu)化
    4.1 空間級聯(lián)金字塔網(wǎng)絡
    4.2 分割標簽質量提升
        4.2.1 定位圖動態(tài)融合
        4.2.2 分割標簽動態(tài)閾值合成
    4.3 多尺度信息優(yōu)化
        4.3.1 空洞卷積
        4.3.2 空間級聯(lián)金字塔模塊
    4.4 實驗
        4.4.1 定位圖動態(tài)融合效果
        4.4.2 分割標簽動態(tài)閾值合成效果
        4.4.3 空間級聯(lián)金字塔模塊效果
        4.4.4 語義分割效果
    4.5 本章小結
總結與展望
    一、全文工作總結
    二、未來工作展望
參考文獻
攻讀碩士學位期間取得的學術成果
致謝


【參考文獻】：
期刊論文
[1]基于DCNN的圖像語義分割綜述[J]. 魏云超,趙耀.  北京交通大學學報. 2016(04)
[2]無人駕駛汽車的發(fā)展現(xiàn)狀和展望[J]. 楊帆.  上海汽車. 2014(03)



本文編號：3257613