計算機視覺一直以來都是研究的熱點,而且其研究成果也被廣泛應(yīng)用在社會生活的方方面面。隨著近些年深度學習爆發(fā)式的發(fā)展,其在計算機視覺上的研究和應(yīng)用使得計算機視覺中的各項任務(wù)均獲得了階段性的發(fā)展。從原來的基于簡單統(tǒng)計量的傳統(tǒng)方法到現(xiàn)在基于模式識別的深度學習方法,計算機視覺實現(xiàn)了階段性的突破。圖像分割是計算機視覺中的一項最重要的任務(wù),其研究進展也代表了計算機視覺的最新成果,本文基于深度學習在圖像分割的研究現(xiàn)狀基礎(chǔ)上,分析了現(xiàn)有方法適用性以及其有效性和可能存在的一些問題,并提出了相應(yīng)的改進方法。本文的主要研究內(nèi)容包括:1.針對深度卷積網(wǎng)絡(luò)在圖像分割中的分割結(jié)果存在噪音、邊界模糊和缺少目標形狀先驗信息的特點,提出了一種基于形狀先驗和深度學習的水平集分割方法。把深度卷積網(wǎng)絡(luò)的輸出當作一種概率圖來處理,并使用全局仿射變換方法把每種目標物體固有的形狀先驗依據(jù)概率圖變換到適應(yīng)每一張?zhí)囟ǖ膱D片。最終使用水平集方法融合原始圖片、概率圖和修正的形狀先驗三種信息來獲取分割結(jié)果,并且最終得到的分割結(jié)果趨向于更合理的形狀。2.圖像可以被當作一種二維的信號,借鑒基于頻率域分析的方法在信號分析中的廣泛應(yīng)用,提出了一種基于...

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【文章目錄】：
學位論文數(shù)據(jù)集
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 課題研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 基于形狀先驗和深度學習的水平集分割方法
    2.1 算法思路
    2.2 算法實現(xiàn)
        2.2.1 深度學習獲得概率圖
        2.2.2 全局仿射變換獲得矯正的形狀先驗
        2.2.3 基于深度先驗的水平集方法
    2.3 實驗和結(jié)果分析
        2.3.1 肖像數(shù)據(jù)集介紹
        2.3.2 評價標準
        2.3.3 結(jié)果與分析
    2.4 討論
    2.5 小結(jié)
第三章 基于多頻率分解的神經(jīng)網(wǎng)絡(luò)方法
    3.1 算法思路
    3.2 基于快速傅立葉變換的多頻率分解
    3.3 多頻率分解網(wǎng)絡(luò)在時間序列信號中的應(yīng)用
        3.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 數(shù)據(jù)集介紹
        3.3.3 評價標準
        3.3.4 結(jié)果與分析
    3.4 多頻率分解網(wǎng)絡(luò)在圖片中的應(yīng)用
        3.4.1 網(wǎng)絡(luò)結(jié)構(gòu)
        3.4.2 數(shù)據(jù)集介紹
        3.4.3 結(jié)果與分析
    3.5 小結(jié)
第四章 基于注意力學習的深度網(wǎng)絡(luò)
    4.1 算法思路
    4.2 算法實現(xiàn)
        4.2.1 注意力焦點的表示
        4.2.2 注意力學習網(wǎng)絡(luò)
    4.3 結(jié)果與分析
    4.4 小結(jié)
第五章 在線肖像分割服務(wù)原型系統(tǒng)的設(shè)計與實現(xiàn)
    5.1 需求分析
    5.2 系統(tǒng)設(shè)計
    5.3 系統(tǒng)實現(xiàn)
    5.4 展示
    5.5 小結(jié)
第六章 總結(jié)及展望
    6.1 總結(jié)
    6.2 展望
參考文獻
致謝
研究成果及發(fā)表的學術(shù)論文
作者和導師簡介
附件



本文編號：3762949