【摘要】：隨著人工智能的蓬勃發(fā)展,無人駕駛汽車等一系列新興產(chǎn)品開始問世,相關(guān)應(yīng)用對圖像分析及場景理解的需求也日益增加。圖像分割相關(guān)研究在各個領(lǐng)域起著重要作用,其分割結(jié)果有助于后續(xù)的場景理解與分析,相關(guān)研究具有重要的研究意義和廣泛的應(yīng)用場景。本文研究的細(xì)粒度圖像分割算法不僅要為圖片中每一實(shí)例生成掩模,而且需要區(qū)分圖片中各實(shí)例的細(xì)粒度類別信息。這就需要算法在完成細(xì)粒度分類的基礎(chǔ)上對其進(jìn)行有效分割,以輔助后續(xù)場景理解與分析,例如可以作為場景分析的注意力引入相關(guān)端到端模型。相關(guān)研究相較于傳統(tǒng)圖像分割更具挑戰(zhàn)性。本文主要工作包括:(1)研究及對比分析了四種基于深度學(xué)習(xí)的主流分割算法:FCN、SegNet、FCIS和Mask R-CNN。其中FCN首次將全卷積網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)用到語義分割任務(wù)中,是一個端到端、像素到像素的分割方法;SegNet網(wǎng)絡(luò)類似于FCN網(wǎng)絡(luò),其編碼和解碼的網(wǎng)絡(luò)與FCN不同;FCIS采用了物體和背景位置敏感的特征提取方法,物體特征用于分割,背景特征用于分類;Mask R-CNN則在同一網(wǎng)絡(luò)中同時完成目標(biāo)檢測和實(shí)例分割兩個任務(wù)。復(fù)現(xiàn)結(jié)果表明,Mask R-CNN網(wǎng)絡(luò)的圖像分割結(jié)果較好,因此本文后續(xù)的相關(guān)研究以其作為骨架網(wǎng)絡(luò)模型。(2)提出了一種基于特征金字塔注意力(Feature Pyramid Attention,FPA)的圖像分割算法。由第二章的研究分析可知,目前的分割方法對像素位置信息的學(xué)習(xí)能力不足。本文所提算法通過金字塔結(jié)構(gòu)使網(wǎng)絡(luò)將注意力集中于Mask,直接對Mask學(xué)習(xí),而非對特征圖進(jìn)行學(xué)習(xí),最大程度地保留像素級的位置信息,從而充分利用學(xué)習(xí)到的上下文信息,提高生成Mask的質(zhì)量。實(shí)驗(yàn)結(jié)果表明,本文所提基于特征金字塔注意力機(jī)制的算法對于圖像中小尺度目標(biāo)的分割結(jié)果較好。(3)提出了一種基于全局特征金字塔注意力(Global Feature Pyramid Attention,GFPA)的細(xì)粒度圖像分割算法。傳統(tǒng)圖像分割算法只能對粗粒度實(shí)例類別加以區(qū)分并生成Mask,而對于同一大類的細(xì)粒度類別信息不能加以區(qū)分。為了實(shí)現(xiàn)細(xì)粒度圖像分割,我們改進(jìn)了第三章所提的FPA注意力模型,通過在FPA模型中增加全局池化模塊,構(gòu)建了全局特征金字塔注意力�；谄O(jiān)督學(xué)習(xí)訓(xùn)練模式,我們采用Open Images V4數(shù)據(jù)集對所提網(wǎng)絡(luò)的分類分支單獨(dú)訓(xùn)練,以得到細(xì)粒度的類別信息。而Open Images V4數(shù)據(jù)集只對物體的類別和邊界框進(jìn)行了標(biāo)注,所以在訓(xùn)練Mask分支時我們?nèi)圆捎肅OCO數(shù)據(jù)集對網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最后通過兩路網(wǎng)絡(luò)的協(xié)同和知識遷移,實(shí)現(xiàn)細(xì)粒度的像素級分割。實(shí)驗(yàn)結(jié)果表明,與Mask R-CNN相比,本文所提算法可在實(shí)現(xiàn)細(xì)粒度分類的同時對其進(jìn)行像素級分割。
【圖文】：

是將深層的、抽象的語義信息和淺層的、細(xì)致的圖像信息結(jié)合起來，最終實(shí)現(xiàn)網(wǎng)絡(luò)逡逑能夠生成針對圖像的更精準(zhǔn)的語義分割信息。逡逑網(wǎng)絡(luò)實(shí)現(xiàn)的是一個端到端、像素到像素的方法去解決語義分割問題。圖２－１所逡逑示的是網(wǎng)絡(luò)結(jié)構(gòu)圖。從圖中我們可以看出網(wǎng)絡(luò)將低層細(xì)致的信息和高層抽象的信逡逑息結(jié)合起來。池化層和預(yù)測層顯示的網(wǎng)格密度是由相對空間網(wǎng)格的粗細(xì)決定的。圖逡逑中豎線表示的是中間層。圖中第一行ＦＣＮ－３２Ｓ表示上采樣步驟是一步到位的，將逡逑７逡逑

卷積網(wǎng)絡(luò)具有平移不變性網(wǎng)絡(luò)由卷積層、池化層和激活函數(shù)等組成，這些逡逑運(yùn)算只關(guān)聯(lián)著圖像中空間坐標(biāo)中的像素點(diǎn)。設(shè)在某層中某個像素點(diǎn)可表示為（ｉ，乃逡逑則該位置的向量可表示為；經(jīng)過一系列運(yùn)算，如卷積、池化等，得到向量ｙｆ逡逑Ｙｉｊ邋＝邋ｆｋｓ（｛＾ｓｉ＋Ｓｉ，ｓｊ＋Ｓｊ］邋0邋Ｓｉｆ邋８ｊ邋＜邋ｋ）邐（２－１）逡逑其中，ｋ表示卷積核的大小，ｓ表示步長，八５代表不同層中不同運(yùn)算法則。ＦＣＮ網(wǎng)逡逑絡(luò)中的損失函數(shù)是每行中最后一層的每個像素的ｓｏｆｔｍａｘ分類損失之和。逡逑２．２邋ＳｅｇＮｅｔ圖像分割算法逡逑ＳｅｇＮｅｔ圖像分割算法在整體結(jié)構(gòu)上與ＦＣＮ網(wǎng)絡(luò)非常近似。它運(yùn)用了兩個網(wǎng)絡(luò)逡逑結(jié)構(gòu)：編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)。其中編碼網(wǎng)絡(luò)相當(dāng)于ＦＣＮ中的卷積，，解碼網(wǎng)絡(luò)相當(dāng)逡逑于ＦＣＮ網(wǎng)絡(luò)中的上采樣。ＳｅｇＮｅｔ中的編碼網(wǎng)絡(luò)結(jié)構(gòu)都有一個反向?qū)?yīng)的解碼網(wǎng)絡(luò)，逡逑解碼器的最后一層連接一個ｓｏｆｔｍａｘ的分類器，目的是對每一個像素預(yù)測它的類概逡逑率。其網(wǎng)絡(luò)結(jié)構(gòu)如圖２－２所示。逡逑—￣＾—￣逡逑
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王盼我;;基于熵的圖像分割算法研究[J];科技視界;2018年08期

2 王華翔;丁家紀(jì);王旭;;基于信息論的圖像分割算法研究[J];黑龍江科技信息;2015年25期

3 李娟;康戈文;;一種基于方向的圖像分割算法[J];可編程控制器與工廠自動化;2012年02期

4 張春伶;;圖像分割算法綜述與探索[J];科技創(chuàng)新與應(yīng)用;2012年13期

5 周強(qiáng);;圖像分割算法研究[J];福建電腦;2009年06期

6 吉李滿;;圖像分割算法的應(yīng)用與評價(jià)[J];吉林工程技術(shù)師范學(xué)院學(xué)報(bào);2006年09期

7 周維真;周濱;;一種改進(jìn)的塔形結(jié)構(gòu)圖像分割算法[J];西安電子科技大學(xué)學(xué)報(bào);1988年03期

8 胡雅婷;李長明;柳振鑫;任虹賓;陳營華;;一種魯棒的無監(jiān)督聚類圖像分割算法[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2019年06期

9 李竹林;王靜;;一種基于濾波的分段點(diǎn)乘圖像分割算法[J];電子設(shè)計(jì)工程;2016年23期

10 李鋒林;李亮;;基于顯著性檢測的目標(biāo)圖像分割算法[J];電子科技;2017年01期

相關(guān)會議論文 前10條

1 張峰;申功勛;;一種適用于天文導(dǎo)航的快速圖像分割算法[A];中國航空學(xué)會控制與應(yīng)用第十二屆學(xué)術(shù)年會論文集[C];2006年

2 趙海英;楊一帆;徐光美;;基于邊緣形態(tài)變換的彩色織物圖像分割算法[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

3 胡陽漣;趙鳳群;戴芳;張輝;;一種基于馬爾可夫隨機(jī)場的快速圖像分割算法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

4 陳亮;葉旭鳴;俞利;;一種基于圖論的圖像分割算法[A];全國第4屆信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2010年

5 劉曉龍;張佑生;;基于模擬退火的模糊C-均值聚類圖像分割算法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展——全國第17屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2006年

6 李景福;龍志軍;張報(bào)山;包晨陽;;一種改進(jìn)的紅外圖像分割算法[A];2007年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文摘要集[C];2007年

7 萬永菁;楊大毛;;一種圖像分割算法在纖維增強(qiáng)復(fù)合材料圖像處理中的應(yīng)用(英文)[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

8 楊衛(wèi)平;李忠科;王勇;呂培軍;;基于區(qū)域的圖像分割算法綜述[A];第十七屆全國測控計(jì)量儀器儀表學(xué)術(shù)年會（MCMI'2007）論文集（上冊）[C];2007年

9 傅明建;劉秉瀚;;一種腎小管病理圖像分割算法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

10 沙莎;彭麗;羅三定;;一種基于邊緣檢測的閾值圖像分割算法[A];中國計(jì)算機(jī)圖形學(xué)進(jìn)展2008--第七屆中國計(jì)算機(jī)圖形學(xué)大會論文集[C];2008年

相關(guān)重要報(bào)紙文章 前1條

1 王小龍;美開發(fā)出基于熱映像的圖像分割算法[N];科技日報(bào);2011年

相關(guān)博士學(xué)位論文 前10條

1 劉仲民;基于圖論的圖像分割算法的研究[D];蘭州理工大學(xué);2018年

2 宋艷濤;基于磁共振成像的腦組織及病變分割方法研究[D];南京理工大學(xué);2017年

3 畢卉;HIFU超聲圖像分割算法研究[D];東南大學(xué);2018年

4 顏剛;基于模糊馬爾可夫場的圖像分割算法研究[D];第一軍醫(yī)大學(xué);2005年

5 李彬;基于模糊隨機(jī)模型的磁共振腦部圖像分割算法研究[D];第一軍醫(yī)大學(xué);2007年

6 劉毅;基于圖割的交互式圖像分割算法研究[D];南京理工大學(xué);2013年

7 許曉麗;基于聚類分析的圖像分割算法研究[D];哈爾濱工程大學(xué);2012年

8 車娜;基于偏移場的核磁共振腦圖像分割算法研究[D];吉林大學(xué);2013年

9 陳圣國;圖像分割及應(yīng)用技術(shù)研究[D];南京大學(xué);2012年

10 皮志明;結(jié)合深度信息的圖像分割算法研究[D];中國科學(xué)技術(shù)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 劉霞;基于深度學(xué)習(xí)的手指靜脈特征提取與防偽檢測算法研究[D];重慶工商大學(xué);2019年

2 鄭楚雄;基于深度學(xué)習(xí)的血管圖像分割算法研究[D];廣州大學(xué);2019年

3 廖敏;面向安防機(jī)器人的障礙物圖像分割算法應(yīng)用研究[D];電子科技大學(xué);2019年

4 趙穎超;基于FCM的圖像分割算法研究[D];湖南師范大學(xué);2019年

5 劉洋;基于空間約束的FCM圖像分割算法研究[D];吉林大學(xué);2019年

6 吳壘;基于空間顏色密度分布估計(jì)的輪廓檢測和圖像分割算法研究[D];吉林大學(xué);2019年

7 丁新輝;特定醫(yī)學(xué)圖像分割算法研究及可視化系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];河南大學(xué);2019年

8 安郝敏;基于圖像分割算法的標(biāo)注系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2019年

9 段瑤;基于FCM的彩色圖像分割算法研究[D];重慶郵電大學(xué);2018年

10 張相怡;面向場景理解的細(xì)粒度圖像分割算法研究[D];北京交通大學(xué);2019年

本文編號：2691020