圖像語義分割（Image Semantic Segmentation）是計算機視覺領(lǐng)域中一項基礎(chǔ)且極具挑戰(zhàn)性的任務,其目標旨在估計圖像中每個像素的類別標簽,在駕駛輔助、室內(nèi)室外場景解析和三維場景建模等視覺應用中發(fā)揮著日益重要的作用。最近,深度卷積神經(jīng)網(wǎng)絡（Deep Convolutional Neural Networks,DCNNs）已經(jīng)成為解決圖像語義分割的主流方法,通過使用大量標注數(shù)據(jù)（Ground Truth,GT）訓練網(wǎng)絡得到最佳擬合模型。現(xiàn)有方法通過堆疊大量的卷積層等方法構(gòu)建復雜網(wǎng)絡,盡管取得了顯著的性能提升,但是面臨嚴重的內(nèi)存消耗和延遲等問題,使得其不適用于實時應用場景,如自動駕駛、增強現(xiàn)實、物聯(lián)網(wǎng)等。因此,本文基于深度卷積神經(jīng)網(wǎng)絡,就兼具精度與速度的高效自動駕駛場景語義分割方法進行了深入研究,具體研究內(nèi)容如下:第一,從輕量級模型設(shè)計的角度出發(fā),本文提出了一種用于實時語義分割的輕量級編解碼分割方法。該方法通過構(gòu)建非對稱的編碼器-解碼器網(wǎng)絡以解決實時語義分割任務。編碼器提出了一種新穎的基于分解卷積的殘差編碼模塊,解碼器設(shè)計了一個注意力金字塔模塊,以提取密集的特征。實驗結(jié)果表... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：103 頁

【學位級別】：碩士

【部分圖文】：

CamVid和Cityscapes圖像分割數(shù)據(jù)集標注示例

南京郵電大學碩士研究生學位論文第二章相關(guān)背景知識介紹7第二章相關(guān)背景知識介紹本章詳細論述了圖像語義分割的相關(guān)技術(shù)背景。首先對卷積神經(jīng)網(wǎng)絡的相關(guān)理論進行了概述，并介紹了一些典型的卷積神經(jīng)網(wǎng)絡算法結(jié)構(gòu)，同時對圖像語義分割技術(shù)進行了詳細介紹，包括圖像語義分割技術(shù)評價標準，用于自動駕駛場景的分割數(shù)據(jù)集，探討了目前常用的基于卷積神經(jīng)網(wǎng)絡的圖像語義分割方法及其優(yōu)缺點。卷積神經(jīng)網(wǎng)絡卷積神經(jīng)網(wǎng)絡（CNN）是計算機視覺中圖像處理、圖像識別和圖像分析等關(guān)鍵技術(shù)的重要組成部分[23,43]。它的目的是將具有獨特性質(zhì)的圖像劃分成特定區(qū)域，然后提取圖像的特征。卷積神經(jīng)網(wǎng)絡引入了卷積層、匯合層和感受野等概念，其中，卷積層使用參數(shù)共享的方式簡化整個模型。具體地，針對圖像的處理過程，通過使用多種卷積核提取不同位置的局部特征，逐漸地堆疊卷積結(jié)構(gòu)，完成由低層次到高層次的語義空間映射。2.1.1卷積神經(jīng)網(wǎng)絡概述卷積神經(jīng)網(wǎng)絡[23]（ConvolutionalNeuralNetworks，CNN）是一類特殊的人工神經(jīng)網(wǎng)絡，它最主要的特點是卷積運算操作。其發(fā)展歷程最早可以追溯到20世紀60年代，加拿大科學家DavidH.Hubel和TorstenWiesel提出了在貓的視覺中樞里存在“感受野”概念[71,72]。隨后，1980年前后，日本科學家福島邦彥（KunihikoFukushima）提出了一種層次化的多層人工神經(jīng)網(wǎng)絡[73]。圖2-1顯示了人工神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)。圖2.1人工神經(jīng)網(wǎng)絡的基本結(jié)構(gòu)隨著研究的不斷深入，YannLeCun[74]等人于1998年提出基于梯度學習的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)LeNet-5，并將其成功應用于手寫數(shù)字字符識別中，在當時的技術(shù)條件下取得了低于1%

南京郵電大學碩士研究生學位論文第二章相關(guān)背景知識介紹8的錯誤率，LeNet-5是第一個產(chǎn)生商業(yè)價值的卷積神經(jīng)網(wǎng)絡，詳細結(jié)構(gòu)如圖2-2所示。到了2012年，在計算機視覺ImageNet圖像分類[39]競賽四周年之際，GeoffreyE.Hinton等人憑借卷積神經(jīng)網(wǎng)絡Alex-Net[4]，以超過第二名近12%的成績一舉奪得了該竟賽冠軍，自此揭開了卷積神經(jīng)網(wǎng)絡在計算機視覺領(lǐng)域稱霸的序幕。到了2015年，在改進了卷積神經(jīng)網(wǎng)絡的激活函數(shù)[75]（activationfunction）后，卷積網(wǎng)絡在ImageNet數(shù)據(jù)集上的性能第一次超過了人類預測準確度。圖2.2LeNet-5網(wǎng)絡結(jié)構(gòu)近年來，隨著深度學習特別是卷積神經(jīng)網(wǎng)絡相關(guān)領(lǐng)域研究人員的增多、技術(shù)的飛速發(fā)展，卷積神經(jīng)網(wǎng)絡變得愈寬愈深也更復雜，深度卷積神經(jīng)網(wǎng)絡如今已經(jīng)成為視覺領(lǐng)域首選的研究方法�？傮w來說，卷積神經(jīng)網(wǎng)絡是一種層次模型，其主要包括以下幾個組成部分：卷積層、匯合層、非線性變換層以及全連接層。在計算機視覺中，一般將卷積層的輸出叫做特征圖，卷積操作也被稱為特征提取過程。(1)卷積層（ConvolutionLayer）：利用卷積核（也稱作卷積窗，濾波器）在輸入圖像上以一定的步長滑動，進行對應位置相乘再相加得到輸出特征圖的操作。如圖2.2所示，對于輸入手寫字符圖像大�。℉eightWidth，HW）為3232，利用6個大小為55的卷積核卷積后得到的輸出特征圖的大小為62828，其中數(shù)字6即卷積核的個數(shù)，也是該層卷積操作輸出特征圖的深度。對于單個輸出特征圖12828來說，它的每個像素點的值均利用一個相同的一定大小的卷積核在輸入圖像上以“滑窗”方式進行卷積得到，所以卷積層具有局部連接、權(quán)值共享的特點。(2)匯合層（PoolingLayer，也稱池化層）：通常需要在CNN中周期性的插入?yún)R合層以逐漸的降低輸出特征圖的大小，同時減少參數(shù)量

【參考文獻】：
期刊論文
[1]基于語義分割的增強現(xiàn)實圖像配準技術(shù)[J]. 卞賢掌,費海平,李世強.  電子技術(shù)與軟件工程. 2018(23)
[2]深度神經(jīng)網(wǎng)絡壓縮與加速綜述[J]. 紀榮嶸,林紹輝,晁飛,吳永堅,黃飛躍.  計算機研究與發(fā)展. 2018(09)
[3]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)
[4]自適應區(qū)域生長算法在醫(yī)學圖像分割中的應用[J]. 陸劍鋒,林海,潘志庚.  計算機輔助設(shè)計與圖形學學報. 2005(10)

碩士論文
[1]基于深度學習的道路圖像語義分割算法研究[D]. 張學濤.山東大學 2019
[2]基于深度卷積網(wǎng)絡的道路交通場景感知[D]. 張軍良.電子科技大學 2019
[3]面向城市道路場景的語義分割模型研究[D]. 范磊.合肥工業(yè)大學 2019
[4]基于深度學習的交通場景理解方法研究[D]. 錢波.大連理工大學 2018
[5]基于GPU的深度學習算法并行化研究[D]. 晉雅茹.東南大學 2017
[6]基于GPU的深度神經(jīng)網(wǎng)絡優(yōu)化方法研究[D]. 陳一鳴.華中科技大學 2015



本文編號：3348397