【摘要】：視覺器官在人類獲取信息時(shí)起到非常重要的作用,人工視覺假體通過向盲人體內(nèi)植入電極,激發(fā)盲人剩余視覺神經(jīng)功能并產(chǎn)生光幻視。視覺假體輔助盲人識(shí)別的物體邊緣輪廓比較模糊、分辨率低,為了使盲人清楚地識(shí)別周圍每一個(gè)熟悉的物品,在人工視覺系統(tǒng)獲取外界圖像之后,通過圖像分割技術(shù)把物品大致的位置和輪廓顯示出來,幫助盲人識(shí)別。針對(duì)室內(nèi)應(yīng)用場(chǎng)景的特點(diǎn),本文提出一種快速卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法對(duì)室內(nèi)場(chǎng)景圖像進(jìn)行分割,構(gòu)建了用于室內(nèi)場(chǎng)景圖像分割的FFCN(Fast Fully Convolutional Networks)網(wǎng)絡(luò),其采用Add技術(shù)的層間融合方法,優(yōu)于Concat技術(shù)方法,可以減少網(wǎng)絡(luò)計(jì)算參數(shù)量,避免連續(xù)卷積對(duì)圖片特征信息的損失。為了驗(yàn)證網(wǎng)絡(luò)的有效性,創(chuàng)建了室內(nèi)環(huán)境中的基本生活物品數(shù)據(jù)集(以下簡(jiǎn)稱XAUT數(shù)據(jù)集),在原圖上通過灰度標(biāo)記每個(gè)物品的類別,然后附加一張顏色表把灰度圖片映射成偽彩色圖作為語義標(biāo)簽。采用XAUT數(shù)據(jù)集在Caffe(Convolutional Architecture for Fast Feature Embedding)框架下對(duì)FFCN網(wǎng)絡(luò)進(jìn)行訓(xùn)練,得到適應(yīng)于盲人視覺假體的室內(nèi)場(chǎng)景分割模型。為了對(duì)比模型的有效性,對(duì)傳統(tǒng)的FCN8s、FCN16s、FCN32s等模型進(jìn)行結(jié)構(gòu)微調(diào),并采用XAUT數(shù)據(jù)集進(jìn)行訓(xùn)練得到適應(yīng)于室內(nèi)場(chǎng)景分割的相應(yīng)算法模型。實(shí)驗(yàn)結(jié)果中各類網(wǎng)絡(luò)的像素識(shí)別精度都達(dá)到了85%以上,均交并比(MeanIU)均達(dá)到60%以上,其中FCN8s at-once網(wǎng)絡(luò)的Mean IU最高,達(dá)到70.4%,但其分割速度僅為FFCN的1/5。在其他各類指標(biāo)相差不大的前提下,FFCN快速分割卷積神經(jīng)網(wǎng)絡(luò)上平均分割速度達(dá)到40fps。本文提出的FFCN卷積神經(jīng)網(wǎng)絡(luò)可以有效利用多層卷積提取圖片信息,避免亮度、顏色、紋理等底層信息的影響,通過尺度融合技術(shù)可以很好地避免圖像特征信息在網(wǎng)絡(luò)卷積和池化過程中的損失,相比于其他FCN網(wǎng)絡(luò)具有更快的速度,有利于提高圖像預(yù)處理的實(shí)時(shí)性。
【圖文】：

圖 2-1 感知機(jī)模型Fig.2-1 Perceptron model節(jié)點(diǎn)采用的激活函數(shù)，其作用是將輸出轉(zhuǎn)化為固定值域，定義sign(x) = {0 x < 01 x ≥ 0經(jīng)網(wǎng)絡(luò)能解決線性可分問題，對(duì)于非線性可分問題必須采用多個(gè)神經(jīng)可以構(gòu)成最基本的三層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)如下圖 2-2

圖 2-1 感知機(jī)模型Fig.2-1 Perceptron model絡(luò)節(jié)點(diǎn)采用的激活函數(shù)，其作用是將輸出轉(zhuǎn)化為固定值域，定sign(x) = {0 x < 01 x ≥ 0神經(jīng)網(wǎng)絡(luò)只能解決線性可分問題，，對(duì)于非線性可分問題必須采用多個(gè)神聯(lián)可以構(gòu)成最基本的三層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)如下圖
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2647275