【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用場景。本文研究的細粒度圖像分割算法不僅要為圖片中每一實例生成掩模,而且需要區(qū)分圖片中各實例的細粒度類別信息。這就需要算法在完成細粒度分類的基礎(chǔ)上對其進行有效分割,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習的主流分割算法:FCN、SegNet、FCIS和Mask R-CNN。其中FCN首次將全卷積網(wǎng)絡結(jié)構(gòu)應用到語義分割任務中,是一個端到端、像素到像素的分割方法;SegNet網(wǎng)絡類似于FCN網(wǎng)絡,其編碼和解碼的網(wǎng)絡與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)絡中同時完成目標檢測和實例分割兩個任務。復現(xiàn)結(jié)果表明,Mask R-CNN網(wǎng)絡的圖像分割結(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習能力不足。本文所提算法通過金字塔結(jié)構(gòu)使網(wǎng)絡將注意力集中于Mask,直接對Mask學習,而非對特征圖進行學習,最大程度地保留像素級的位置信息,從而充分利用學習到的上下文信息,提高生成Mask的質(zhì)量。實驗結(jié)果表明,本文所提基于特征金字塔注意力機制的算法對于圖像中小尺度目標的分割結(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)的細粒度圖像分割算法。傳統(tǒng)圖像分割算法只能對粗粒度實例類別加以區(qū)分并生成Mask,而對于同一大類的細粒度類別信息不能加以區(qū)分。為了實現(xiàn)細粒度圖像分割,我們改進了第三章所提的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。基于偏監(jiān)督學習訓練模式,我們采用Open Images V4數(shù)據(jù)集對所提網(wǎng)絡的分類分支單獨訓練,以得到細粒度的類別信息。而Open Images V4數(shù)據(jù)集只對物體的類別和邊界框進行了標注,所以在訓練Mask分支時我們?nèi)圆捎肅OCO數(shù)據(jù)集對網(wǎng)絡進行訓練,最后通過兩路網(wǎng)絡的協(xié)同和知識遷移,實現(xiàn)細粒度的像素級分割。實驗結(jié)果表明,與Mask R-CNN相比,本文所提算法可在實現(xiàn)細粒度分類的同時對其進行像素級分割。
【圖文】：

是將深層的、抽象的語義信息和淺層的、細致的圖像信息結(jié)合起來，最終實現(xiàn)網(wǎng)絡逡逑能夠生成針對圖像的更精準的語義分割信息。逡逑網(wǎng)絡實現(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)絡結(jié)構(gòu)圖。從圖中我們可以看出網(wǎng)絡將低層細致的信息和高層抽象的信逡逑息結(jié)合起來。池化層和預測層顯示的網(wǎng)格密度是由相對空間網(wǎng)格的粗細決定的。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)絡具有平移不變性網(wǎng)絡由卷積層、池化層和激活函數(shù)等組成，這些逡逑運算只關(guān)聯(lián)著圖像中空間坐標中的像素點。設(shè)在某層中某個像素點可表示為（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算法則。ＦＣＮ網(wǎng)逡逑絡中的損失函數(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)絡非常近似。它運用了兩個網(wǎng)絡逡逑結(jié)構(gòu)：編碼網(wǎng)絡和解碼網(wǎng)絡。其中編碼網(wǎng)絡相當于ＦＣＮ中的卷積，，解碼網(wǎng)絡相當逡逑于ＦＣＮ網(wǎng)絡中的上采樣。ＳｅｇＮｅｔ中的編碼網(wǎng)絡結(jié)構(gòu)都有一個反向?qū)慕獯a網(wǎng)絡，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測它的類概逡逑率。其網(wǎng)絡結(jié)構(gòu)如圖２－２所示。逡逑—￣＾—￣逡逑
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP18

【相似文獻】

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;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)新與應用;2012年13期

5 周強;;圖像分割算法研究[J];福建電腦;2009年06期

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

7 周維真;周濱;;一種改進的塔形結(jié)構(gòu)圖像分割算法[J];西安電子科技大學學報;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];吉林大學學報(理學版);2019年06期

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

10 李鋒林;李亮;;基于顯著性檢測的目標圖像分割算法[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;;一種適用于天文導航的快速圖像分割算法[A];中國航空學會控制與應用第十二屆學術(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學術(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場的快速圖像分割算法[A];計算機技術(shù)與應用進展·2007——全國第18屆計算機技術(shù)與應用（CACIS）學術(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用學術(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];計算機技術(shù)與應用進展——全國第17屆計算機科學與技術(shù)應用（CACIS）學術(shù)會議論文集（上冊）[C];2006年

6 李景福;龍志軍;張報山;包晨陽;;一種改進的紅外圖像分割算法[A];2007年中國農(nóng)業(yè)工程學會學術(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復合材料圖像處理中的應用(英文)[A];計算機技術(shù)與應用進展·2007——全國第18屆計算機技術(shù)與應用（CACIS）學術(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量儀器儀表學術(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學術(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];中國計算機圖形學進展2008--第七屆中國計算機圖形學大會論文集[C];2008年

相關(guān)重要報紙文章 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;2011年

相關(guān)博士學位論文 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;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;2017年

3 畢卉;HIFU超聲圖像分割算法研究[D];東南大學;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;2005年

5 李彬;基于模糊隨機模型的磁共振腦部圖像分割算法研究[D];第一軍醫(yī)大學;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;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;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;2013年

9 陳圣國;圖像分割及應用技術(shù)研究[D];南京大學;2012年

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

相關(guān)碩士學位論文 前10條

1 劉霞;基于深度學習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;2019年

2 鄭楚雄;基于深度學習的血管圖像分割算法研究[D];廣州大學;2019年

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

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

7 丁新輝;特定醫(yī)學圖像分割算法研究及可視化系統(tǒng)的設(shè)計與實現(xiàn)[D];河南大學;2019年

8 安郝敏;基于圖像分割算法的標注系統(tǒng)的設(shè)計與實現(xiàn)[D];北京交通大學;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;2018年

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

本文編號：2691020