隨著工業(yè)自動化和人工智能的發(fā)展,圖像語義分割技術(shù)的應(yīng)用前景也越來越廣泛。如何能夠高效,準確的分割圖像中的不同語義像素,近年來成為相關(guān)工業(yè)領(lǐng)域急需解決的一個技術(shù)難點。深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)在語義分割領(lǐng)域已經(jīng)取得了極大突破,使得語義分割成為可能。目前,語義分割存在幾大挑戰(zhàn),其中最為突出的就是像素級標簽樣本獲取困難和模型精度低的問題,本文也將針對這兩個問題進行研究。針對像素級標簽樣本獲取困難的問題,本文提出弱化模型對像素級強標簽樣本過度依賴的設(shè)計思想。因為圖像語義分割的訓(xùn)練樣本需要進行像素級別的打標,而像素級別打標樣本的獲取代價是巨大的,與之相反的包圍盒標簽樣本的獲取卻要容易的多,所以采用包圍盒弱標簽樣本的半監(jiān)督學(xué)習,對于語義分割具有很大的意義。為此,本文研究了在像素級強標簽減少時,通過包圍盒弱樣本補充來保證半監(jiān)督學(xué)習的模型分割性能。實驗結(jié)果驗證了當包圍盒標簽轉(zhuǎn)化獲得的粗略像素級標簽準確度較好時,用該弱樣本完全可以補充強樣本減少帶來的損失,并且當弱樣本數(shù)足夠多時,還可以實現(xiàn)半監(jiān)督模型性能的提升。針對半監(jiān)督模型精度低的問題,本文提出一種新的方法來細化包圍盒標簽。在包圍盒半監(jiān)督領(lǐng)域中,主要的挑戰(zhàn)是如何細致地將包圍盒標簽轉(zhuǎn)化為更加精確的粗略像素級標簽。為此,本文提出了一種采用迭代挖掘清洗和探測修復(fù)包圍盒弱標簽的方法,可以將包圍盒標簽更加細致地轉(zhuǎn)化為粗略像素級標簽。將訓(xùn)練數(shù)據(jù)中的弱標簽應(yīng)用更加細致的標簽來不斷地更新,然后和像素級強標簽樣本結(jié)合來共同訓(xùn)練DCNN模型,每一次更新并訓(xùn)練產(chǎn)生新的模型,并用此挖掘包圍盒弱樣本中的信息,經(jīng)過清洗和探測修復(fù)之后繼續(xù)更新之前的弱樣本標簽。實驗結(jié)果表明,通過不斷的細化包圍盒弱樣本的標簽可以使模型的分割性能不斷地提高。在PASCAL VOC 2012標準數(shù)據(jù)集上的實驗結(jié)果,驗證了本文方法在半監(jiān)督語義分割中的有效性,尤其適用于像素級強標簽樣本較少的情況。
【學(xué)位單位】：西安理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;TP183
【部分圖文】：

即將每一個像素都分配一個類別標簽（例如，飛機，人，馬等）。如圖1-1 所示，是語義分割的結(jié)果示例，不難發(fā)現(xiàn)其能準確地分割出不同類別目標的邊緣像素信息。圖像語義分割是一個精細的自然推理過程，根據(jù)輸入圖像中物體及像素的位置和上下文信息，提取其特征，精確定位不同類別物體的位置，為圖像中的每一個像素分類。目前，圖像語義分割是機器學(xué)習和人工智能領(lǐng)域非�；钴S的一個研究方向，并在很多領(lǐng)域具有廣泛的應(yīng)用價值[1]。例如，在自動駕駛領(lǐng)域，通過對車輛前方場景的語義分割可以對場景中的道路、車體和行人等物體信息進行精確定位，從而提升自動駕駛的安全性[1]；在機器人服務(wù)領(lǐng)域，當家庭清潔機器人要進行全方位清潔時，需要精確定位待清潔目標物件的邊緣位置等信息。(a)原圖(b)分割結(jié)果圖 1-1 語義分割示例Fig. 1-1 Semantic segmentation diagram近年來,深度卷積神經(jīng)網(wǎng)絡(luò)[2,3,4,5,6,7,65](Deep Convolutional Neural Network，DCNN) 的出現(xiàn)，極大的推動了圖像語義分割的發(fā)展[8,9,10,11,12,13,14,15]，使其分割性能得到了大幅提高。然而，深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的標簽樣本，而且圖像語義分割需要的標簽樣本是像素級別的。如圖 1-2(b)所示，此即為圖 1-2(a)原圖對應(yīng)的人工打標的像素級標簽。人工打標這樣級別的標簽

西安理工大學(xué)碩士學(xué)位論文的包圍盒級別打標要比其像素級打標快 15 倍。圖 1-2(c)即為圖 1-2(a)對應(yīng)的包圍。由于對目標包圍的矩形框，并不是準確的目標像素標簽，其中還含有較多其它，故稱此為弱標簽。但是其具有打標速度快，成本低的優(yōu)點，所以應(yīng)用價值巨大在保證語義分割性能的同時，采用少量的強標簽（像素級）樣本和大量的弱標簽）樣本，訓(xùn)練一個可精確進行語義分割的模型，成為研究人員關(guān)注的一個重要研

1 緒論bles）和點[45]等四種類型給出，如圖 1-3 是不同類型的標簽圖。根據(jù)用于樣本的不同，監(jiān)督學(xué)習的形式又被分為強監(jiān)督學(xué)習，半監(jiān)督學(xué)習和弱監(jiān)督訓(xùn)練樣本標簽都為強（像素級）標簽的是強監(jiān)督學(xué)習[8,46,47,48,49,50]，訓(xùn)練樣標簽的是弱監(jiān)督學(xué)習[35,36,38]，訓(xùn)練樣本標簽由少量強標簽和大量弱標簽組習[39,40,41]。本文主要將研究重點聚焦在基于包圍盒的半監(jiān)督學(xué)習上，期望達到或接近在同等條件下的強監(jiān)督學(xué)習的性能。(a)原圖 (b)像素標簽 (c)包圍盒

【相似文獻】

相關(guān)期刊論文 前10條

1 陳華;;確定任意形狀物體最小包圍盒的一種方法[J];工程圖學(xué)學(xué)報;2010年02期

2 陳嬋娟;康寶生;馮筠;;一種新的基于內(nèi)包圍盒技術(shù)的光線跟蹤加速算法[J];西北大學(xué)學(xué)報(自然科學(xué)版);2010年03期

3 范曉磊;譚桂臻;;混合包圍盒碰撞檢測算法的研究[J];科技信息;2007年10期

4 泥宗濤,余英林;基于分層包圍盒的連續(xù)碰撞檢測加速算法[J];計算機工程與應(yīng)用;2000年10期

5 和克智;用包圍盒法生成圓弧[J];計算技術(shù)與自動化;1996年02期

6 衛(wèi)星;韓江洪;;基于布爾搜索的空間目標分布最小包圍盒規(guī)劃[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2016年05期

7 李輝;劉毅飛;;求凸多邊形最小面積包圍盒算法的比較[J];中國科技信息;2013年19期

8 閆方舉;楊衛(wèi)平;劉培順;井維華;;混合包圍盒碰撞檢測算法的優(yōu)化研究[J];電腦知識與技術(shù);2011年28期

9 朱元峰;孟軍;;一種基于混合包圍盒結(jié)構(gòu)的實時碰撞檢測的有效方法(英文)[J];系統(tǒng)仿真學(xué)報;2008年19期

10 王偉;;軸對齊包圍盒算法的研究[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2013年10期

相關(guān)會議論文 前10條

1 魏開平;夏天;沈顯君;;一種基于固定方向凸包的分層包圍盒碰撞檢測算法及其應(yīng)用[A];第二屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議(HHME2006)——第2屆中國人機交互學(xué)術(shù)會議(CHCI'06)論文集[C];2006年

2 王銳;許高峰;華煒;彭群生;鮑虎軍;;實體網(wǎng)格模型的變分層次有向包圍盒構(gòu)建[A];中國計算機圖形學(xué)進展2008--第七屆中國計算機圖形學(xué)大會論文集[C];2008年

3 劉彬;孫永;高明;馬克;李曉詩;;基于OpenGL三維拾取技術(shù)研究[A];中國地理信息系統(tǒng)協(xié)會第四次會員代表大會暨第十一屆年會論文集[C];2007年

4 王濵;張定華;黃魁東;李明君;張亮;;基于多核架構(gòu)的錐束CT自適應(yīng)快速重建技術(shù)[A];全國射線數(shù)字成像與CT新技術(shù)研討會論文集[C];2012年

5 羅飛雄;黃躍峰;鐘耳順;;虛擬全球地形環(huán)境中實時碰撞檢測和響應(yīng)(英文)[A];中國測繪學(xué)會第九次全國會員代表大會暨學(xué)會成立50周年紀念大會論文集[C];2009年

6 霍星;檀結(jié)慶;;基于特征向量的三維模型檢索[A];計算機技術(shù)與應(yīng)用進展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

7 周之平;張颯兵;吳介一;;一種判定一般多邊形相交的快速算法[A];幾何設(shè)計與計算的新進展[C];2005年

8 郭帥;劉波;張鑫;;基于三角網(wǎng)格的離散曲面求交技術(shù)研究[A];北京力學(xué)會第二十五屆學(xué)術(shù)年會會議論文集[C];2019年

9 嚴宗睿;張為民;孫向軍;;海軍合同戰(zhàn)術(shù)仿真系統(tǒng)中的碰撞檢測算法[A];全國第20屆計算機技術(shù)與應(yīng)用學(xué)術(shù)會議(CACIS·2009)暨全國第1屆安全關(guān)鍵技術(shù)與應(yīng)用學(xué)術(shù)會議論文集（下冊）[C];2009年

10 韓曉霞;萬華根;周智華;;高度復(fù)雜擬凸體的實時觸覺繪制[A];中國計算機圖形學(xué)進展2008--第七屆中國計算機圖形學(xué)大會論文集[C];2008年

相關(guān)博士學(xué)位論文 前6條

1 甘建紅;腫瘤生長過程形態(tài)模擬及相關(guān)技術(shù)研究[D];西南交通大學(xué);2009年

2 王yN;虛擬現(xiàn)實中碰撞檢測關(guān)鍵技術(shù)研究[D];吉林大學(xué);2009年

3 魏迎梅;虛擬環(huán)境中碰撞檢測問題的研究[D];中國人民解放軍國防科學(xué)技術(shù)大學(xué);2000年

4 謝倩茹;面向虛擬手術(shù)的碰撞檢測和軟組織仿真技術(shù)研究[D];西北大學(xué);2013年

5 郁松;3D虛擬現(xiàn)實內(nèi)鏡手術(shù)仿真關(guān)鍵技術(shù)研究[D];中南大學(xué);2011年

6 陸濟湘;三維物體建模和場景構(gòu)造技術(shù)研究[D];華中科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 黃玉巖;基于包圍盒半監(jiān)督的圖像語義分割[D];西安理工大學(xué);2019年

2 汪磊;虛擬裝配中裝配路徑自動規(guī)劃的研究與實現(xiàn)[D];武漢理工大學(xué);2018年

3 張涵;基于Ellipsoid包圍盒的光子劑量場分析方法研究[D];華北電力大學(xué)(北京);2018年

4 謝斌斌;基于包圍盒的碰撞檢測技術(shù)的研究[D];哈爾濱工程大學(xué);2015年

5 謝偉超;復(fù)雜環(huán)境下混合包圍盒碰撞檢測算法研究[D];江西理工大學(xué);2018年

6 鐘李濤;基于多精度網(wǎng)格的布料仿真技術(shù)研究[D];西南交通大學(xué);2018年

7 唐源皓;基于質(zhì)點轉(zhuǎn)換和包圍盒的混合碰撞檢測算法的研究與應(yīng)用[D];西南交通大學(xué);2018年

8 范曉磊;混合包圍盒碰撞檢測算法研究[D];青島大學(xué);2007年

9 林小彬;基于混合式包圍盒的碰撞檢測算法的研究與實現(xiàn)[D];華南理工大學(xué);2015年

10 李夢怡;基于遞進相交包圍盒的碰撞檢測算法研究[D];蘭州交通大學(xué);2015年

本文編號：2819357