近年來,隨著圖形處理器等硬件設(shè)備的發(fā)展,深度學(xué)習(xí)也得到了飛速發(fā)展,在計(jì)算機(jī)視覺的各個(gè)研究領(lǐng)域中都得到了廣泛應(yīng)用,比如圖像分類、圖像檢測(cè)、圖像語義分割等,大量實(shí)踐和研究表明深度卷積神經(jīng)網(wǎng)絡(luò)能準(zhǔn)確高效地完成計(jì)算機(jī)視覺任務(wù)。在遙感領(lǐng)域,對(duì)海洋艦船圖像的分割是一個(gè)重要的研究方向。為了獲取目標(biāo)艦船的位置、航向、類別等信息,需要快速、準(zhǔn)確地對(duì)其進(jìn)行分割處理,為后續(xù)進(jìn)一步的信息提取提供基礎(chǔ)。本文主要針對(duì)光學(xué)遙感圖像,首先對(duì)U-Net進(jìn)行改進(jìn)完成了海陸分割任務(wù),然后基于全卷積神經(jīng)網(wǎng)絡(luò)對(duì)海洋艦船構(gòu)建了語義分割網(wǎng)絡(luò)模型,并在此基礎(chǔ)上改進(jìn)優(yōu)化實(shí)現(xiàn)了對(duì)艦船的實(shí)例分割。主要工作如下:（1）對(duì)U-Net網(wǎng)絡(luò)進(jìn)行了改進(jìn),重新設(shè)計(jì)了編碼器和譯碼器之間的跳躍連接方式,使用更為復(fù)雜的密集連接,可以更好的傳遞特征,讓深層特征與淺層特征充分融合,提升網(wǎng)絡(luò)的分割精度,完成了海陸分割。（2）基于全卷積神經(jīng)網(wǎng)絡(luò)提出了一種編碼器-譯碼器的全卷積網(wǎng)絡(luò)結(jié)構(gòu),以帶有殘差的卷積塊作為編碼器來提取圖像特征,以連續(xù)的轉(zhuǎn)置卷積作為譯碼器,并在編碼器與譯碼器間有效融合了個(gè)層級(jí)特征,同時(shí)還使用了帶有權(quán)重的損失函數(shù),實(shí)現(xiàn)了對(duì)海洋遙感圖像端到端的全場(chǎng)景語... 

【文章來源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１卷積操作示意圖??

ｊ??ｌｉｉｓ?？?ｋ?ｉｉｉｉｉ?—??ＢｍＴｆｆｐｎｌＢＷ?ｊ?ｖ．?ＭＭＷＩｂｉＢＩｈ?？?＇」??ｍｕｔ興ｅ?ｐｏｏｉｌ?ｐｏｏｌ？?ｐｏｏｌ３?ｐａｏＵ?ｐｏｏｌ５?Ａ?ｐ〇ｏｌ４?－ｐｏｏｌ３?．．．．．??■那沖氺＿?ＦＦＷＦｆｆｌ?１１１：！?Ｉ???Ｊ?ｊ?ｐｒｆｄｋｎｏｎ?ｊ￣?ｐｒｅｄｉｃｔｉｏｎ??ＩＢｌｌ?Ｐ：ＩＰ?＿Ｉ＿??一＊￣＼ｆ?ＰＩＩＩＰ?／??ＨＩ?５０??Ｉ?—＇＇??—■—■?．」?＇??－??一，．？＞?＊??圖２－２?ＦＣＮ結(jié)構(gòu)示意圖??Ｆｉｇ．２－２?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＦＣＮ??８??

?第二章相關(guān)工作???ＦＣＮ的上采樣過程中使用了一種跳躍連接，輸入圖像在經(jīng)過５次池化層后，特征??圖尺寸大小為原來的１／３２，經(jīng)過一次２倍的上采樣后，和原圖１／１６大小的特征圖相加??（ｐｌｕｓ），然后再經(jīng)過一次２倍的上采樣，和原圖１／８大小的特征圖相加，最后直接??經(jīng)過一次８倍的上采樣，得到和輸入圖像相同尺寸的結(jié)果，即圖２－２中的ＦＣＮ－８Ｓ。雖??然ＦＣＮ得到的分割結(jié)果還不夠精細(xì)，但首次實(shí)現(xiàn)了端到端的語義分割，為后續(xù)的研??究提供了基矗??２．１．３?Ｕ－Ｎｅｔ??Ｕ－Ｎｅｔ屬于ＦＣＮ的一種變體，一開始是用于生物醫(yī)學(xué)圖像的分割，由于效果良好，??很快推廣到了如遙感圖傺分割等其他領(lǐng)域的應(yīng)用。??＆４?６４??ｘａａ?６４?２??ｉｎｐｕｔ?？．??ｉｍａｇｅ????????＊?ｏｕ，ｐｕ，?，?ｔ．??ｔｉｌｅ?．?〇?ｓ?３?ｓｅｇｍｅｎｔａｔ＞ｏｎ??＾?Ｉ?Ｉ?ｍａｐ??ｓｓｉ?１?ｉ?ｉ?ｉ??Ｘ?Ｍ?Ｘ?＇??Ｏ?ＣＯ?．??＾?１２８?１２８??Ｊｌ???＾?，５Ｘ２?２Ｓ６?？??ｍｔｍ????ｓ；?ＩｔＨ?？一３．瞻??娜扣?－ｃｏｐｙ?ａｎｄ?ｃｒｏｐ??ＪＨＷＩ?—?Ａ?＃?ｍａｘ?ｐｏｏｌ?２ｘ２??沒？?ｉ〇２４?？?ｓ?Ｊ?｜?ｕｐ－ｃｏｎｖ?２ｘ２??－?？?ｃｏｎｖ?ｉｘｌ??圖２－３?Ｕ－Ｎｅｔ結(jié)構(gòu)示意圖??Ｆｉｇ．２－３?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?Ｕ－Ｎｅｔ??如圖２－３所示，Ｕ－Ｎｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)更為對(duì)稱，結(jié)構(gòu)形似大寫字母“Ｕ”，所以稱為??Ｕ－Ｎｅｔ。與ＦＣＮ相比，Ｕ－Ｎｅｔ上采樣部分更為復(fù)雜，上采樣的次數(shù)更多

【參考文獻(xiàn)】：
期刊論文
[1]區(qū)域分割的自適應(yīng)變異粒子群算法[J]. 陳侃松,阮玉龍,戴磊,蘭智高,邵建設(shè).  電子學(xué)報(bào). 2017(08)
[2]基于平均中值離差的2維最小誤差閾值分割法[J]. 宋斌,楊恢先,曾金芳,譚正華,李翠菊.  激光技術(shù). 2015(05)
[3]圖像分割算法綜述與探索[J]. 張春伶.  科技創(chuàng)新與應(yīng)用. 2012(13)
[4]基于Sobel算子的圖像邊緣檢測(cè)研究[J]. 袁春蘭,熊宗龍,周雪花,彭小輝.  激光與紅外. 2009(01)

碩士論文
[1]基于全卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像語義分割及變化檢測(cè)方法研究[D]. 王朵.西安電子科技大學(xué) 2018
[2]基于全卷積網(wǎng)絡(luò)的高分一號(hào)遙感影像分割方法[D]. 張航.山東農(nóng)業(yè)大學(xué) 2018



本文編號(hào)：3325383