近幾年,隨著深度學(xué)習(xí)理論與技術(shù)的發(fā)展,計算機視覺領(lǐng)域的相關(guān)研究也越來越深入,在圖像分割領(lǐng)域則細(xì)化出語義分割和實例分割兩個分支。實例分割的任務(wù)就是利用計算機將人感興趣的物體提取出來,屏蔽掉背景等噪聲信息。本論文針對實例分割任務(wù),對國內(nèi)外相關(guān)現(xiàn)狀進(jìn)行了總結(jié),并對實例分割問題中的關(guān)鍵問題進(jìn)行了研究。主要工作包括:(1)基于多階特征融合的圖像實例分割網(wǎng)絡(luò)實例分割算法Mask-RCNN的語義分割分支網(wǎng)絡(luò)采用簡單的全卷積網(wǎng)絡(luò),性能有限。本文針對此分支網(wǎng)絡(luò)進(jìn)行改進(jìn),提出了特征融合模塊和池化鏈模塊。通過這兩個模塊的處理,不僅可以增強網(wǎng)絡(luò)提取特征的性能,獲取大背景下的圖像上下文信息,同時還避免了因為卷積和池化的處理所導(dǎo)致的空間信息的丟失。在染色體數(shù)據(jù)集和植物數(shù)據(jù)集上的實驗,表明本文的改進(jìn)算法,在分割性能上有有著明顯的提升。(2)融合自注意力機制和路徑增強的圖像實例分割網(wǎng)絡(luò)傳統(tǒng)的特征金字塔融合網(wǎng)絡(luò)采用簡單的特征相加,對于最高層級的特征圖沒有深度挖掘出有效信息,融合的方式也只是在二維空間進(jìn)行。對此,本文提出了自注意力模塊對最高層級特征圖進(jìn)行深入挖掘,從中提取多尺度信息并將之融合。并進(jìn)一步設(shè)計了路徑增強結(jié)構(gòu),...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2.1M-P神經(jīng)元模型

華僑大學(xué)碩士學(xué)位論文7第2章圖像實例分割研究基礎(chǔ)2.1神經(jīng)網(wǎng)絡(luò)基礎(chǔ)及卷積神經(jīng)網(wǎng)絡(luò)近些年來，深度學(xué)習(xí)（DeepLearning，DL）在算法領(lǐng)域備受追捧，隨著技術(shù)的發(fā)展，除了互聯(lián)網(wǎng)，生活中很多領(lǐng)域都能夠直接或間接的反映出深度學(xué)習(xí)帶來的變革。而深度學(xué)習(xí)的基礎(chǔ)就是神經(jīng)網(wǎng)絡(luò)（Neural....

圖2.2全連接和局部連接示意圖

華僑大學(xué)碩士學(xué)位論文8時間都沒有得到很好地解決，直到反向傳播算法的提出。BP算法的主要是使用鏈?zhǔn)椒▌t對網(wǎng)絡(luò)中的參數(shù)w和偏置b計算損失函數(shù)的梯度，之后再將得到的梯度值反饋給網(wǎng)絡(luò)的最優(yōu)化算法，比如SGD[39]，通過最優(yōu)化算法來更新參數(shù)w，這樣就可以實現(xiàn)損失函數(shù)的最小化，網(wǎng)絡(luò)也就可以....

圖2.3權(quán)值共享示意圖

華僑大學(xué)碩士學(xué)位論文9的變化，這樣的結(jié)構(gòu)極大地減少了參數(shù)量。卷積網(wǎng)絡(luò)的另一個優(yōu)點就是權(quán)值共享。權(quán)值共享在卷積網(wǎng)絡(luò)中主要是以卷積核去處理整張圖像得到一個特征圖[43]來實現(xiàn)的，這個過程稱之為卷積。在整個卷積操作中，每一個卷積核所包含的神經(jīng)元，它們的權(quán)值是相同的。具體可以參考圖2.3....

圖2.4傳統(tǒng)目標(biāo)檢測流程

華僑大學(xué)碩士學(xué)位論文102.2.1傳統(tǒng)目標(biāo)檢測傳統(tǒng)的目標(biāo)檢測主要分為三個階段進(jìn)行，如圖2.4所示。首先是使用一些算法在圖像上進(jìn)行建議區(qū)域的生成，將圖像中可能存在目標(biāo)的區(qū)域都提取出來，最常用的算法如SelectiveSearch[44]算法。之后對于已經(jīng)確定的可能區(qū)域提取特征。在傳....

本文編號：3976524