【摘要】：輪廓檢測旨在提取圖像中目標(biāo)與背景環(huán)境的分界線,是計算機視覺研究領(lǐng)域中最基本的問題之一。作為一個底層的視覺任務(wù),輪廓約束在目標(biāo)識別、語義分割和運動跟蹤等高級視覺任務(wù)中有顯著的作用。識別輪廓作為人類初級視覺皮層中的一項重要的功能。對于加深對圖像中目標(biāo)的理解以及語義分析和記憶存儲等信息加工有極其重要的意義。廣泛應(yīng)用于農(nóng)業(yè),交通運輸,醫(yī)療,軍事等領(lǐng)域。深度學(xué)習(xí)技術(shù)作為直接從數(shù)據(jù)中學(xué)習(xí)特征表示的有效方法,近年來啟發(fā)輪廓檢測領(lǐng)域取得了顯著的突破。通過構(gòu)造端到端的深度卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)輪廓進行監(jiān)督學(xué)習(xí),是近年來輪廓檢測任務(wù)的主要方法。本文基于深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)模型,針對自然圖像輪廓檢測的相關(guān)方面進行了深入的研究,主要貢獻包括如下幾個方面:1)針對傳統(tǒng)強化網(wǎng)絡(luò)在特征解碼和特征融合能力上的問題,基于編碼-解碼結(jié)構(gòu)的思想提出了深度強化網(wǎng)絡(luò)。該網(wǎng)絡(luò)由多層含有多個強化模塊的部分組成。相比于傳統(tǒng)的強化網(wǎng)絡(luò),深度強化網(wǎng)絡(luò)具有更好的特征表達能力和優(yōu)秀的輪廓的“精確性”性能。2)針對傳統(tǒng)加權(quán)交叉熵代價函數(shù)和戴斯系數(shù)在多人標(biāo)注樣本中信息提取不充分問題,通過把多人標(biāo)注的樣本轉(zhuǎn)換成二分類權(quán)重,本文提出改進的交叉熵和改進的戴斯系數(shù)代價函數(shù)。該方法解決了傳統(tǒng)代價函數(shù)不能充分利用多人標(biāo)注的標(biāo)簽問題。實驗表明,基于改進的交叉熵代價函數(shù)能提高網(wǎng)絡(luò)的“精確性”,基于改進的戴斯系數(shù)代價函數(shù)能提高網(wǎng)絡(luò)的預(yù)測“細(xì)致性”。3)針對多代價函數(shù)直接結(jié)合中權(quán)值分配不均衡問題,基于納什均衡的思想,提出了自適應(yīng)代價函數(shù)。該代價函數(shù)通過兩個相互博弈的代價項,使得交叉熵函數(shù)和戴斯系數(shù)能保持平衡。同時能減少超參,提高輪廓檢測性能。在“精確性”和“細(xì)致性”的平衡上做出相對優(yōu)秀的權(quán)衡。
【圖文】：

像識別框架（時間軸下方）和卷積神經(jīng)網(wǎng)絡(luò)的輪廓檢測算法（時間軸上方）-1 Milestones of recognition (below the timeline) and contour detection (above the深度學(xué)習(xí)中最適合視覺任務(wù)的算法，CNN 在人工視覺的多項任務(wù)方 1-1 列出了適用于目標(biāo)識別的 CNN 網(wǎng)絡(luò)結(jié)構(gòu)（時間線下方）和基算法的時間節(jié)點（時間線上方）的幾個關(guān)鍵節(jié)點。其中，以 HED[50]為學(xué)習(xí)的輪廓檢測算法可分為兩個階段：（1）基于局部區(qū)域的輪廓檢于全局端到端的輪廓檢測算法。局部區(qū)域的輪廓檢測算法：在基于局部區(qū)域的輪廓檢測算法中，CN塊的特征提取器。其中，N4-field[47]、DeepContour[49]和 DeepEdge[48的算法的三個主要步驟如下：（1）提取以像素為中心的相同大小的圖 在圖像塊中提取特征; （3）通過將提取的特征與手動標(biāo)記的實際輪圖像塊的相應(yīng)像素的輪廓概率。來自與 ImageNet 挑戰(zhàn)比賽[68]中 CNN 圖像識別任務(wù)突破性進步的啟 AlexNet[41]和最鄰近搜索，提出了基于 CNN 的輪廓檢測算法：N4-

圖 2-1 原始圖像和其通過剪裁，旋轉(zhuǎn)，亮度和對比度變換后的樣例Figure 2-1 Image and its transformation by random cropping, rotation, brightness and contrast2.3 卷積神經(jīng)網(wǎng)絡(luò)2.3.1 編碼-解碼結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)是一種深層前饋神經(jīng)網(wǎng)絡(luò)模型，最初是為解決圖像識別等問題設(shè)計的。對于圖像識別任務(wù)，我們可以把卷積神經(jīng)網(wǎng)絡(luò)視為一個從圖像到特征的編碼器，，該編碼器把圖像編碼成特征向量（矩陣），經(jīng)過分類層進行圖像識別：= ( ( )) (2-1)其中， 表示一個卷積神經(jīng)網(wǎng)絡(luò)， 為圖像分類成層。圖像進過編碼網(wǎng)絡(luò)（或者說是卷積神經(jīng)網(wǎng)絡(luò)）獲取特征，隨后通過一個 softmax 函數(shù)把特征變成目標(biāo)類別的概率大小，以此獲得圖像類別。然而，輪廓檢測是一個像素級的分類任務(wù)，這意味著圖像中的每一個像素點都會
【學(xué)位授予單位】：廣西科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 陳燕新,戚飛虎;一種新的提取輪廓特征點的方法[J];紅外與毫米波學(xué)報;1998年03期

2 譚久彬;圓輪廓特征綜合分析的探討與測量分析系統(tǒng)的研究[J];哈爾濱工業(yè)大學(xué)學(xué)報;1988年01期

3 王海曉;朱旭光;;一種基于斜率變化間接提取輪廓特征點的算法[J];軟件導(dǎo)刊;2010年11期

4 賀雙喜,張少軍,夏經(jīng)亮,楊春彥;應(yīng)用弧長提取輪廓特征點的方法[J];光電工程;2004年11期

5 呂岳;基于左右輪廓特征的打印體郵政編碼數(shù)字快速識別[J];通信學(xué)報;1997年07期

6 張世興;蔣國興;;基于凹輪廓特征的粗加工軌跡生成算法研究[J];裝備制造技術(shù);2008年05期

7 胡文才;邢坦;韓辰希;;基于顏色、輪廓特征融合的顯著性檢測[J];國外電子測量技術(shù);2018年01期

8 班孝坤;韓軍;陸冬明;王萬國;劉O

本文編號：2589011