【摘要】：圖像語義分割是計算機視覺領域的研究熱點,如何讓計算機按照人類理解的方式對海量的圖像實現(xiàn)精細分割是圖像理解亟待解決的問題。近年來,卷積神經網絡被廣泛應用到語義分割的研究中,并取得了顯著的成果。針對基于區(qū)域的語義分割方法在進行語義分割時容易缺失細節(jié)信息,造成圖像語義分割結果粗糙,準確度低的問題,本文提出結合上下文特征與卷積神經網絡多層特征融合的語義分割方法。首先,采用選擇搜索(selective search)方法從圖像中生成不同尺度的候選區(qū)域,selective search~([1])使用基于圖的圖像分割方法~([2])生成許多的子區(qū)域,根據(jù)子區(qū)域間的相似性不斷的進行區(qū)域迭代合并,最終輸出目標所有可能存在的區(qū)域。此外,在對區(qū)域進行分類時,結合了自由形式前景特征和上下文特征以更好的獲得區(qū)域前景實際像素信息。其次,采用VGG16網絡的前五層作為基礎網絡來提取圖像特征圖。利用refineNet將不同層提取的特征圖進行融合,使得每一層提取的圖像特征都可以加入到最終的分割網絡中,將預訓練的VGG16網絡按特征圖的分辨率大小分成五個模塊,然后向右將五個模塊分別作為五個路徑通過RefineNet模塊進行融合,最后得到一個精調特征圖。最后,輸入候選區(qū)域掩膜和融合特征圖,輸出分割圖像。將候選區(qū)域的掩膜圖像和不同層融合后的特征圖輸入到自由形式感興趣區(qū)域池化層,得到候選區(qū)域的特征,最后采用加入了棄權的全連接層對候選區(qū)域進行分類,且通過softmax層對每一個像素點進行分類。實驗表明,本文提出的算法充分利用了區(qū)域的前景信息和上下文信息以及不同層提取的圖像特征信息,可以做到準確、快速、較為有效的分割,且具有較強的魯棒性。
【圖文】：

第一章 緒論進行分類，，以實現(xiàn)準確無誤地避讓行人和車輛，從而將自動駕駛全們的日常生活中。如下圖 1.1 中的（a）和（b）分別是原圖和語義以看出語義分割是將具有相同類別的目標歸為同一類，不同類別之顏色表示，圖 1.1（b）中的粉紅色代表人，藍色代表摩托車，黑色

第二章 基于深度卷積網絡的語義分割模型概述2.3 基于全卷積網絡的語義分割模型基于候選區(qū)域的模型方法雖然為語義分割的發(fā)展帶來很大的進步，但是它需要生成大量的候選區(qū)域，生成候選區(qū)域的過程要花費大量的時間和內存空間。此外，不同算法提取的候選區(qū)域集的質量也千差萬別，直接影響了最終的語義分割效果。在此基礎上，基于全卷積網絡（Fully Convolution Network，F(xiàn)CN）的語義分割模型應運而生，它不需要生成候選區(qū)域，可以直接實現(xiàn)端到端的像素級預測。全卷積網絡沒有全連接層，全部由卷積層構成，圖 2.1 是文獻[36]提出的基于全卷積網絡的語義分割模型結構圖。
【學位授予單位】：江西理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183

【相似文獻】

相關期刊論文 前10條

1 柳欣;耿佳佳;鐘必能;杜吉祥;;多生物特征融合發(fā)展現(xiàn)狀及其展望[J];小型微型計算機系統(tǒng);2017年08期

2 孫興華,郭麗,王正群,楊靜宇;商標圖像檢索中子圖像特征融合準則研究[J];南京理工大學學報(自然科學版);2002年05期

3 宋衛(wèi)華;;基于多級別特征融合的醫(yī)學圖像檢索技術[J];南華大學學報(自然科學版);2014年02期

4 武冰;周石琳;林勇強;商亞新;;特征融合的多時相遙感圖像道路提取方法[J];微計算機信息;2007年36期

5 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質特征融合分類算法[J];電子技術與軟件工程;2013年02期

6 劉東杰;趙津;席阿行;;基于時空特征融合的端到端無人車控制[J];科學技術與工程;2019年30期

7 種衍杰;方琰;沙濤;;基于特征融合網絡的行人重識別[J];計算機系統(tǒng)應用;2019年01期

8 梅文欣;林志賢;郭太良;;強化深度特征融合的行人搜索系統(tǒng)[J];計算機與現(xiàn)代化;2019年08期

9 楊亞龍;汪明月;方潛生;;基于圖像與生理參數(shù)特征融合的情感識別方法研究[J];合肥工業(yè)大學學報(自然科學版);2017年06期

10 林勁;;基于典型相關分析的水聲特征融合方法研究[J];中國科技信息;2014年01期

相關會議論文 前10條

1 唐侃;鄒波;;基于全局和部件特征融合的空間非合作目標識別[A];空天資源的可持續(xù)發(fā)展——第一屆中國空天安全會議論文集[C];2015年

2 周浩;張新峰;胡廣芹;蔡軼珩;賈懋s

本文編號：2600527