圖像實例分割是人工智能與圖像識別領域的重要發(fā)展方向,其像素級的目標分割被廣泛應用于工業(yè)生產、醫(yī)療衛(wèi)生和社會安全等領域。傳統(tǒng)圖像實例分割算法容易受到目標形變、重疊、光照等因素的影響,其分割精度不高�；诰矸e神經網絡的特征提取方法雖然在目標檢測、語義分割等任務中取得了較高的測試精度,但仍然存在一些問題。一方面,由于圖像中目標尺度差異較大,導致檢測精度降低,且分割結果不準確;另一方面,在語義分割階段,池化過程導致特征圖尺寸下降,像素點通過全連接層的映射和分類出現(xiàn)偏差,同時傳統(tǒng)的實例分割模型不能對生成掩碼的完整性進行評估,使得生成的目標掩碼不準確。在現(xiàn)有實例分割算法框架的基礎上,本文通過研究MTCNN和DNN等深度學習方法,以解決實例分割過程中目標尺度差異較大、掩碼生成不準確的難題。本文的主要工作如下:（1）本文設計了一種多尺度探測器MSD（multi-scale detector）,用于在特征圖中提取不同尺度的實例目標特征,以消除目標尺寸差異較大的影響,提高實例分割精度。傳統(tǒng)基于深度學習的目標實例分割算法在特征提取階段通常使用單一的卷積核尺寸,難以提取特征圖中不同尺寸的實例特征,并且在池化過... 

【文章來源】：河南大學河南省

【文章頁數(shù)】：84 頁

【學位級別】：碩士

【部分圖文】：

圖２－２卷積神經網絡基本框架??

?第２章圖像實例分割基礎知識???層、池化層、激活函數(shù)以及全連接層組成，形成級聯(lián)的網絡結構，如圖２－２所示。其中，??卷積層主要用于特征的提取以及特征向量的生成；池化層和激活函數(shù)在特征圖的基礎上，??增強特征尺度信息、加入非線性因素，使提取的特征具有良好的平移不變性和一定的旋??轉不變性；同時，在卷積群組中利用不同的池化手段和獨特的連接方式，能夠將不同尺??寸的特征向量互相融合，從而構建出更有效的特征提取網絡。??１２０??｜特征可視化｜?：?＼??ｊ?＿麵＿齡：爲Ｉ?＼??特征圖：１４Ｍ４?．?，?＼?８４??Ｉ?Ｉ?＼??Ｉ?ｍｍａｍｍａｅｔ?＼??輸入■特—?１｜＾?！?；??｜?１—?：?ｔ—ｉ！?＾?＾?｜??卷積?最大池化?卷積?特征重構?全連接１全連接２?輸出??圖２－２卷積神經網絡基本框架??２．２．１?ＣＮＮ特征提取網絡理論基礎??卷積層（Ｃｏｎｖｏｌｕｔｉｏｎａｌｌａｙｅｒ）是傳統(tǒng)卷積神經網絡的最基本的組成結構，用于提取??輸入圖片的特征。卷積層的設計來源于模擬人類視覺皮層細胞中的神經元，對感受野的??特征進行選擇性的獲取，如圖２－３所示。??特征描述子?＾?神經元??傳統(tǒng)特征提取?ＣＮＮ卷積特征提取??圖２－３傳統(tǒng)特征提取與ＣＮＮ特征提取感受野??在進行卷積運算時，通常給定一個大小為的方陣，稱為卷積核（ｆｉｌｔｅｒ），卷積核??的大小（ｆｉｌｔｅｒ?ｓｉｚｅ）即像素點在輸入圖像中映射的區(qū)域大小，被稱為感受野。從數(shù)學的??９??

式?擴張卷積（Ｄｉｌａｔｅｄ?Ｃｏｎｖｏｌｕｔｉｏｎｓ）?［５６］，又稱空洞卷積。該方??法提出了一種７ｘ７的空洞卷積，其正則表達式等效于３個３ｘ３的卷積疊加。同時，Ｙｕ等??人在提出的網絡結構中減少了池化層的數(shù)量，這一方法不僅大幅度地減少了神經網絡的??參數(shù)，同時又增大了特征提取的感受野，使得圖像識別的精度得到了顯著提升。??＾？原始像素值?Ｃ０ｎｃ３ｔ??３ｘ３ｃｏｎｖ?３ｘ３ｃｏｎｖ?３ｘ３ｃｏｎｖ??（ａ）傳統(tǒng)卷積運算?（ｂ）空洞卷積運算?（ｃ）深度可分離卷積??圖２－４卷積運算分類??隨著圖像分割技術的進一步研究，空洞卷積逐漸出現(xiàn)小目標丟失等諸多問題。空洞??卷積的特征提取并不連續(xù)，損失了圖像信息本身的連續(xù)性，甚至一些像素自始至終沒有??參與運算。另一方面這種一味地擴大卷積感受野的思想并不能很好地處理不同大小物體??的關系，雖然減少了卷積運算的計算量，但嚴重影響了圖像中小目標的特征提齲２０１３??年，谷歌的實習生Ｌａｕｒｅｎｔ?Ｓｉｆｒｅ提出了一種新的卷積結構［５５］，被稱為深度可分離卷積??（ｄｅｐｔｈｗｉｓｅ?ｓｅｐａｒａｂｌｅ?ｃｏｎｖｏｌｕｔｉｏｎｓ）。作者假設卷積層間的通道相關性和空間相關性是可??以退耦合的，因此將它們分開映射，達到了更好的效果。深度可分離卷積首先利用１ｘ１??的卷積核將輸入的特征圖映射到幾個維度比原來更小的空間上，每個通道的特征圖乘以??不同的權重因子進行線性組合；然后使用不同大小的卷積核對這些更小的空間進行卷積??運算，對空間相關性和通道相關性同時進行映射；最終將所有子空間輸出的卷積結果進??１０??

【參考文獻】：
期刊論文
[1]深度學習目標檢測方法綜述[J]. 趙永強,饒元,董世鵬,張君毅.  中國圖象圖形學報. 2020(04)
[2]MDSSD:multi-scale deconvolutional single shot detector for small objects[J]. Lisha CUI,Rui MA,Pei LV,Xiaoheng JIANG,Zhimin GAO,Bing ZHOU,Mingliang XU.  Science China（Information Sciences）. 2020(02)
[3]基于深度學習的語義分割算法綜述[J]. 趙霞,白雨,倪穎婷,陳萌,郭松,楊明川,陳鳳.  上海航天. 2019(05)
[4]遠紅外車載圖像實時行人檢測與自適應實例分割[J]. 于博,馬書浩,李紅艷,李春庚,安居白.  激光與光電子學進展. 2020(02)
[5]3D Object Detection Incorporating Instance Segmentation and Image Restoration[J]. HUANG Bo,HUANG Man,GAO Yongbin,YU Yuxin,JIANG Xiaoyan,ZHANG Juan.  Wuhan University Journal of Natural Sciences. 2019(04)
[6]基于深度學習的目標檢測框架進展研究[J]. 寇大磊,權冀川,張仲偉.  計算機工程與應用. 2019(11)
[7]基于深度學習的群豬圖像實例分割方法[J]. 高云,郭繼亮,黎煊,雷明剛,盧軍,童宇.  農業(yè)機械學報. 2019(04)
[8]基于內容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學報. 2017(01)

碩士論文
[1]基于多尺度特征融合與上下文分析的目標檢測技術研究[D]. 許必宵.南京郵電大學 2019
[2]基于深度學習的遙感圖像處理系統(tǒng)的設計與實現(xiàn)[D]. 肖瀟.北京郵電大學 2019
[3]基于深度學習的心室核磁共振圖像分割研究與應用[D]. 尹航.蘭州大學 2019
[4]RGB-D圖像和點云圖像實例分割方法研究[D]. 王玉婷.合肥工業(yè)大學 2019
[5]基于深度學習的物流道路場景分割系統(tǒng)的設計與實現(xiàn)[D]. 管超.電子科技大學 2019
[6]RGB-D室內場景圖像的目標提取算法研究[D]. 吳曉秋.南京郵電大學 2018
[7]基于深度學習的室內點云場景語義理解研究[D]. 李文強.哈爾濱工業(yè)大學 2018
[8]面向步態(tài)識別的顯著前景分割[D]. 張晶晶.安徽大學 2018
[9]基于實例分割的場景圖像文字檢測[D]. 張小爽.浙江大學 2018
[10]深度學習在圖像識別中的研究及應用[D]. 李衛(wèi).武漢理工大學 2014



本文編號：3418543