圖像語(yǔ)義分割是為圖像中每個(gè)像素點(diǎn)標(biāo)注一個(gè)物體類(lèi)別標(biāo)簽,它是人工智能研究的重要分支,已經(jīng)應(yīng)用于多個(gè)領(lǐng)域。例如,無(wú)人駕駛中的環(huán)境場(chǎng)景分割和醫(yī)療影像分析中的病變器官分割。隨著深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolution Neural Network,DCNN）在物體檢測(cè)、分類(lèi)和識(shí)別任務(wù)中取得較大進(jìn)展,研究人員逐步嘗試將DCNN的分類(lèi)能力應(yīng)用到圖像語(yǔ)義分割任務(wù)。近年,研究人員利用編解碼結(jié)構(gòu)思想,設(shè)計(jì)了全卷積神經(jīng)網(wǎng)絡(luò)。在編碼過(guò)程中,網(wǎng)絡(luò)不斷使用卷積和池化層提取圖像高層次特征;在解碼過(guò)程中,利用反卷積層恢復(fù)物體輪廓。由于編碼的下采樣操作會(huì)丟失圖像信息,這導(dǎo)致解碼的上采樣對(duì)恢復(fù)物體輪廓細(xì)節(jié)的效果較差。密集型條件隨機(jī)場(chǎng)作為分割后端處理部分,能有效修正前端的錯(cuò)誤分割,但參數(shù)學(xué)習(xí)是獨(dú)立的。針對(duì)圖像語(yǔ)義分割任務(wù),本文在研究端對(duì)端可訓(xùn)練網(wǎng)絡(luò)基礎(chǔ)上,設(shè)計(jì)并實(shí)現(xiàn)兩種基于條件隨機(jī)場(chǎng)的后端網(wǎng)絡(luò)模塊。由前端DCNN網(wǎng)絡(luò)預(yù)測(cè)基礎(chǔ)的像素概率,后端條件隨機(jī)場(chǎng)網(wǎng)絡(luò)結(jié)合圖像局部先驗(yàn)信息修正預(yù)測(cè)結(jié)果。本文具體研究?jī)?nèi)容包括:（1）基于全連接密集型條件隨機(jī)場(chǎng)的端對(duì)端可訓(xùn)練網(wǎng)絡(luò)研究:為了構(gòu)建網(wǎng)絡(luò),分析前后兩端融合過(guò)程,前端網(wǎng)絡(luò)僅使... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景
        1.1.1 計(jì)算機(jī)視覺(jué)的發(fā)展與應(yīng)用
        1.1.2 圖像語(yǔ)義分割的發(fā)展與應(yīng)用
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)的圖像分割
        1.2.2 基于深度學(xué)習(xí)的圖像分割
    1.3 本文主要工作
    1.4 本文組織安排
第二章 相關(guān)技術(shù)研究
    2.1 條件隨機(jī)場(chǎng)建模與求解
        2.1.1 條件隨機(jī)場(chǎng)建模與應(yīng)用
        2.1.2 全連接密集型條件隨機(jī)場(chǎng)建模
        2.1.3 條件隨機(jī)場(chǎng)模型求解
    2.2 快速高斯濾波
    2.3 常用圖像分割數(shù)據(jù)集
    2.4 本章小結(jié)
第三章 基于條件隨機(jī)場(chǎng)的端對(duì)端網(wǎng)絡(luò)構(gòu)建研究
    3.1 密集型條件隨機(jī)場(chǎng)構(gòu)建
        3.1.1 全連接密集型條件隨機(jī)場(chǎng)建模
        3.1.2 平均場(chǎng)近似求解
        3.1.3 使用高維濾波加速信息傳遞
    3.2 基于平均場(chǎng)算法的神經(jīng)網(wǎng)絡(luò)模塊構(gòu)建
        3.2.1 初始化
        3.2.2 信息傳遞
        3.2.3 加權(quán)濾波輸出
        3.2.4 兼容性轉(zhuǎn)換
        3.2.5 添加一元?jiǎng)菽?br>        3.2.6 歸一化
    3.3 端對(duì)端深度學(xué)習(xí)網(wǎng)絡(luò)框架構(gòu)建
        3.3.1 CRF-RNN模塊構(gòu)建
        3.3.2 總體架構(gòu)模型構(gòu)建
    3.4 本章小結(jié)
第四章 基于高維高斯濾波的CRF網(wǎng)絡(luò)模塊實(shí)現(xiàn)
    4.1 基于Permutohedral Lattice的CRF網(wǎng)絡(luò)模塊
        4.1.1 算法總體步驟
        4.1.2 Permutohedral Lattice特性
        4.1.3 splat步驟
        4.1.4 blur步驟
        4.1.5 slice步驟
        4.1.6 復(fù)雜度分析
    4.2 基于Gaussian KD-Tree的CRF網(wǎng)絡(luò)模塊
        4.2.1 算法總體步驟
        4.2.2 構(gòu)建Gaussian KD-Tree
        4.2.3 splat和slice步驟
        4.2.4 復(fù)雜度分析
    4.3 本章小結(jié)
第五章 實(shí)驗(yàn)測(cè)試與分析
    5.1 實(shí)驗(yàn)測(cè)試平臺(tái)
        5.1.1 實(shí)驗(yàn)數(shù)據(jù)集
        5.1.2 實(shí)驗(yàn)質(zhì)量評(píng)估指標(biāo)
        5.1.3 實(shí)驗(yàn)軟硬件平臺(tái)
    5.2 基于Permutohedral Lattice的CRF-RNN測(cè)試與分析
        5.2.1 實(shí)驗(yàn)說(shuō)明
        5.2.2 算法實(shí)驗(yàn)與分析
    5.3 基于Gaussian KD-Tree的CRF-RNN測(cè)試與分析
        5.3.1 實(shí)驗(yàn)說(shuō)明
        5.3.2 算法實(shí)驗(yàn)與分析
    5.4 復(fù)雜度的測(cè)試與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]圖像邊緣檢測(cè)Laplace算子擴(kuò)展的討論[J]. 黃朝兵,黃創(chuàng).  現(xiàn)代計(jì)算機(jī). 2006(10)
[2]圖像分割中閾值選取方法比較研究[J]. 劉文萍,吳立德.  模式識(shí)別與人工智能. 1997(03)



本文編號(hào)：3451624