圖像的語(yǔ)義分割是圖像理解的基石,近年來(lái)隨著深度學(xué)習(xí)的飛速發(fā)展,使用深度學(xué)習(xí)的圖像語(yǔ)義分割技術(shù)成為計(jì)算機(jī)視覺(jué)領(lǐng)域中備受關(guān)注的研究課題。卷積神經(jīng)網(wǎng)絡(luò)是重要的深度學(xué)習(xí)方法,近年來(lái)在圖像語(yǔ)義分割任務(wù)中表現(xiàn)優(yōu)異。隨著RGB-D圖像攝取設(shè)備的普及,越來(lái)越多的圖像分析任務(wù)中加入了深度信息。因此本文介紹一種基于卷積神經(jīng)網(wǎng)絡(luò)的RGB-D圖像語(yǔ)義分割方法,并在此基礎(chǔ)上進(jìn)行改進(jìn),主要工作如下:(1)分析了基于卷積神經(jīng)網(wǎng)絡(luò)融合顏色和深度信息的圖像語(yǔ)義分割方法,同時(shí)研究了此方法中顏色信息和深度信息的融合原理和兩種融合方式。該對(duì)稱的編碼解碼式網(wǎng)絡(luò)模型將兩種信息的優(yōu)勢(shì)相結(jié)合,在一定程度上解決了原語(yǔ)義分割網(wǎng)絡(luò)模型不能充分利用圖像顏色和深度信息的問(wèn)題。(2)針對(duì)卷積神經(jīng)網(wǎng)絡(luò)中卷積和下上采樣等計(jì)算導(dǎo)致分割時(shí)邊緣不清,分割不精確的問(wèn)題,本文提出使用全連接條件隨機(jī)場(chǎng)對(duì)RGB-D語(yǔ)義分割網(wǎng)絡(luò)模型進(jìn)行改進(jìn),其中全連接條件隨機(jī)場(chǎng)的一元?jiǎng)莺瘮?shù)使用RGB-D語(yǔ)義分割網(wǎng)絡(luò)模型的輸出進(jìn)行計(jì)算,全連接條件隨機(jī)場(chǎng)的二元?jiǎng)莺瘮?shù)使用原始輸入RGB圖像計(jì)算,然后將兩者結(jié)合得出精細(xì)的語(yǔ)義分割結(jié)果,進(jìn)一步解決模型不能充分利用像素間關(guān)系,分割邊界不清等問(wèn)...

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)圖像語(yǔ)義分割研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的圖像語(yǔ)義分割研究現(xiàn)狀
        1.2.3 基于RGB-D圖像的語(yǔ)義分割研究現(xiàn)狀
    1.3 論文的研究?jī)?nèi)容及結(jié)構(gòu)
        1.3.1 論文研究?jī)?nèi)容
        1.3.2 論文組織結(jié)構(gòu)
第二章 基于深度學(xué)習(xí)的圖像語(yǔ)義分割相關(guān)理論
    2.1 深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)
        2.1.1 深度學(xué)習(xí)
        2.1.2 神經(jīng)網(wǎng)絡(luò)
    2.2 基于全卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割方法
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.2 基于全卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割方法
    2.3 基于編碼-解碼方式的圖像語(yǔ)義分割方法
    2.4 本章小結(jié)
第三章 基于VGG-16的RGB-D圖像語(yǔ)義分割方法
    3.1 VGG-16 網(wǎng)絡(luò)結(jié)構(gòu)
    3.2 基于VGG-16 編碼解碼式RGB-D圖像語(yǔ)義分割方法
        3.2.1 基于VGG-16 編碼解碼式RGB-D圖像語(yǔ)義分割方法原理
        3.2.2 基于VGG-16 編碼解碼式RGB-D圖像語(yǔ)義分割方法網(wǎng)絡(luò)結(jié)構(gòu)
    3.3 網(wǎng)絡(luò)模型融合層原理及策略
        3.3.1 網(wǎng)絡(luò)模型融合層原理
        3.3.2 網(wǎng)絡(luò)模型融合層融合策略
    3.4 本章小結(jié)
第四章 基于VGG-16的RGB-D圖像語(yǔ)義分割方法改進(jìn)
    4.1 全連接條件隨機(jī)場(chǎng)模型
        4.1.1 全連接條件隨機(jī)場(chǎng)模型原理
        4.1.2 全連接條件隨機(jī)中平均近似場(chǎng)推斷
    4.2 改進(jìn)的RGB-D圖像語(yǔ)義分割方法
        4.2.1 改進(jìn)的RGB-D圖像語(yǔ)義分割方法原理
        4.2.2 改進(jìn)的RGB-D圖像語(yǔ)義分割方法網(wǎng)絡(luò)模型
    4.3 本章小結(jié)
第五章 對(duì)比實(shí)驗(yàn)和結(jié)果分析
    5.1 實(shí)驗(yàn)環(huán)境及框架
        5.1.1 實(shí)驗(yàn)環(huán)境
        5.1.2 實(shí)驗(yàn)框架
    5.2 實(shí)驗(yàn)數(shù)據(jù)集及評(píng)估標(biāo)準(zhǔn)
        5.2.1 實(shí)驗(yàn)數(shù)據(jù)集及預(yù)處理
        5.2.2 實(shí)驗(yàn)評(píng)估標(biāo)準(zhǔn)
    5.3 實(shí)驗(yàn)及結(jié)果分析
        5.3.1 基礎(chǔ)RGB-D圖像語(yǔ)義分割方法實(shí)驗(yàn)分析
        5.3.2 基礎(chǔ)RGB-D圖像語(yǔ)義分割方法和其他方法對(duì)比實(shí)驗(yàn)分析
        5.3.3 基礎(chǔ)RGB-D圖像語(yǔ)義分割方法和改進(jìn)方法對(duì)比實(shí)驗(yàn)分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
攻讀碩士期間取得的研究成果
致謝



本文編號(hào)：3842503