在大數(shù)據(jù)時(shí)代,互聯(lián)網(wǎng)圖像資源的數(shù)量飛速增長(zhǎng),針對(duì)這些圖像進(jìn)行相應(yīng)處理的技術(shù)已成為一個(gè)值得關(guān)注的問(wèn)題。而應(yīng)用廣泛的圖像分割技術(shù)是圖像處理中的主要難點(diǎn)。近年來(lái),深度學(xué)習(xí)技術(shù)的特征提取性能使得其在計(jì)算機(jī)視覺(jué)處理、圖像檢測(cè)、圖像語(yǔ)義分割等領(lǐng)域有著重要的研究?jī)r(jià)值和廣泛的使用。卷積神經(jīng)網(wǎng)絡(luò)﹙CNN﹚是深度學(xué)習(xí)的一個(gè)模型,該模型在圖像處理方面表現(xiàn)良好。而近年來(lái)新提出的全卷積神經(jīng)網(wǎng)絡(luò)（FCN）是對(duì)卷積神經(jīng)網(wǎng)絡(luò)的一個(gè)改進(jìn)結(jié)構(gòu)。全卷積網(wǎng)絡(luò)FCN相比于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)具有其獨(dú)特的優(yōu)勢(shì),在結(jié)構(gòu)上與卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)有相似部分,但是全卷積神經(jīng)網(wǎng)絡(luò)中實(shí)現(xiàn)了全卷積化,將全連接層變成了卷積層,還包含上采樣層等獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)。全卷積網(wǎng)絡(luò)能夠預(yù)測(cè)每個(gè)像素點(diǎn)的語(yǔ)義標(biāo)簽,實(shí)現(xiàn)像素級(jí)別的圖像語(yǔ)義分割,同時(shí)實(shí)現(xiàn)端到端的輸出。故而可以很好的解決很多圖像檢測(cè)、分割的問(wèn)題。相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)有明顯的優(yōu)點(diǎn)。本文探究了全卷積神經(jīng)網(wǎng)絡(luò)（FCN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的實(shí)現(xiàn)原理,并且通過(guò)對(duì)比得出全卷積神經(jīng)網(wǎng)絡(luò)（FCN）的優(yōu)勢(shì)所在。論文主要研究全卷積神經(jīng)網(wǎng)絡(luò)在圖像分割領(lǐng)域的應(yīng)用,提出了一種基于已有卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行全卷積改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu),使其符... 

【文章來(lái)源】：南京郵電大學(xué)江蘇省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)元模型

多層神經(jīng)網(wǎng)絡(luò)模型

圖 2.3 FCN 結(jié)構(gòu)模型卷積層與全連接層的區(qū)別在于：卷積是對(duì)局部區(qū)域的運(yùn)算，可以處理不同大小的圖像，而全連接層是對(duì)所有輸入進(jìn)行了完全的連接，只能處理固定大小的圖像。但卷積和全連接其實(shí)都是點(diǎn)乘運(yùn)算操作，數(shù)學(xué)本質(zhì)還是一樣的。如果把卷積的作用范圍擴(kuò)大為何全連接層一樣，就可以實(shí)現(xiàn)全連接層的功能。所以卷積層和全連接層的相互轉(zhuǎn)化是可行的。具體舉例說(shuō)明如下：在 AlexNet 中，第六層是輸入為 256x6x6 的全連接層，對(duì)于這個(gè)全連接層，只要將它換為卷積核大小為 6x6 的卷積就可以實(shí)現(xiàn)相同功能了。在 AlexNet 中的其他幾層全連接層也可以通過(guò)類似的方法轉(zhuǎn)化為卷積層。在全連接層和卷積層的互相轉(zhuǎn)化中，將全連接層變化為卷積層更加有優(yōu)勢(shì)。因?yàn)槿B接層要求固定的輸入同時(shí)會(huì)帶來(lái)大量的網(wǎng)絡(luò)參數(shù)。關(guān)于全卷積神經(jīng)網(wǎng)絡(luò)中部分結(jié)構(gòu)的功能解釋如下：2.3.1 卷積層

【參考文獻(xiàn)】：
期刊論文
[1]三維卷積神經(jīng)網(wǎng)絡(luò)模型聯(lián)合條件隨機(jī)場(chǎng)優(yōu)化的高光譜遙感影像分類[J]. 李竺強(qiáng),朱瑞飛,高放,孟祥玉,安源,鐘興.  光學(xué)學(xué)報(bào). 2018(08)
[2]深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用[J]. 張順,龔怡宏,王進(jìn)軍.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[3]結(jié)合深度學(xué)習(xí)與條件隨機(jī)場(chǎng)的遙感圖像分類[J]. 夏夢(mèng),曹國(guó),汪光亞,尚巖峰.  中國(guó)圖象圖形學(xué)報(bào). 2017(09)
[4]深度學(xué)習(xí)在目標(biāo)視覺(jué)檢測(cè)中的應(yīng)用進(jìn)展與展望[J]. 張慧,王坤峰,王飛躍.  自動(dòng)化學(xué)報(bào). 2017(08)
[5]基于深度全卷積神經(jīng)網(wǎng)絡(luò)的文字區(qū)域定位方法[J]. 駱遙.  無(wú)線互聯(lián)科技. 2016(23)
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝圖像分類檢索算法[J]. 厲智,孫玉寶,王楓,劉青山.  計(jì)算機(jī)工程. 2016(11)
[7]基于全卷積網(wǎng)絡(luò)的場(chǎng)景文本檢測(cè)[J]. 賀通姚劍.  黑龍江科技信息. 2016(17)



本文編號(hào)：3553669