【摘要】：圖像的語義分割一直是計算機視覺領域的研究重點,而深度學習是近階段人工智能方向飛速發(fā)展的熱點,因此基于深度學習的機器視覺方面的應用隨之成為全世界研究人員的熱點關注問題。深度學習的發(fā)展近十年來在人工智能領域取得了非常具有建設性的突破,也是現(xiàn)階段互聯(lián)網(wǎng)大數(shù)據(jù)環(huán)境下最流行的智能應用方式之一。深度學習在圖像檢索、圖像內(nèi)容分析、自然語言處理、視頻行為分析、多媒體解析等諸多寬廣的領域上取得了引人矚目的成功應用。接踵而至,各種各樣的計算機視覺問題都在嘗試使用深度學習的方法來進行更為突破性的研究。本文重點研究基于深度學習的卷積神經(jīng)網(wǎng)絡的圖像語義分割。研究一是針對室內(nèi)場景的圖像通過原始圖片的上下文信息約束來提高整體的像素級別的分割精度。研究二是將語義分割作為導向使用條件對抗網(wǎng)絡得到像素級別上更精準、像素間更具相關性的分割結果,也是利用條件對抗網(wǎng)絡來處理圖像分割問題的研究嘗試。首先介紹了傳統(tǒng)方法與深度學習方法在圖像語義分割任務上的差異,以及當下最熱門的對抗學習方式和其中主要的生成對抗網(wǎng)絡的介紹。主要分析了深度學習中卷積神經(jīng)網(wǎng)絡在圖像語義分割任務上的優(yōu)勢,以及生成對抗網(wǎng)絡在圖像語義分割任務上的可行性與優(yōu)點。室內(nèi)場景的語義分割有很大的應用范圍,例如智能機器人、室內(nèi)監(jiān)控等,但由于室內(nèi)場景中的物體類別繁多且分布不均勻,當分割較小的物體或物體邊緣時很容易丟失標簽。圖片的上下文信息表達的是像素點之間的關聯(lián)內(nèi)容,這些內(nèi)容之間的約束能對語義分割結果產(chǎn)生有效地幫助,但目前的研究還有很多尚未充分利用的地方。本文對此提出了一個可學習的上下文正則化深度卷積神經(jīng)網(wǎng)絡模型,該模型利用卷積神經(jīng)網(wǎng)絡的特征提取能力得到原始圖片中豐富的上下文約束信息,用以加強語義分割結果。該正則化模型使用深度卷積分割網(wǎng)絡,但不引起明顯的額外參數(shù)增加網(wǎng)絡訓練負擔。提出的模型利用室內(nèi)場景物體固有的上下文正則約束提高分割結果,可學習的約束是在網(wǎng)絡低層和網(wǎng)絡高層之間架起一個連接橋,在相鄰的RGB像素點使用L1約束學習上下文約束信息來輔助高層的像素點分類以提高分割精度。基于深度卷積神經(jīng)網(wǎng)絡語義分割的研究也越來越深入且取得了顯著的效果。生成式對抗網(wǎng)絡(GANs)是深度學習領域最新提出的比較重要的一個模型,但現(xiàn)有的主要研究大多是針對圖像生成、風格轉(zhuǎn)移等任務,在圖像分割上的研究還不夠深入。因此本文使用生成對抗模型來研究和解決圖像語義分割任務,提出分割-對抗模型(Conditional Segmentation Generative Adversarial Networks,CSGAN)。CSGAN使用深度卷積語義分割模型作為生成模型,基于輸入的RGB圖像產(chǎn)生對標簽類預測的概率圖,逐像素計算回歸損失。CSGAN模型中的判別網(wǎng)絡對預測圖與標簽圖的差異進行高階規(guī)律統(tǒng)計,為生成模型提供了一個自學習的全局損失統(tǒng)計方式,不依賴人工設計的損失項.。我們的模型保持了傳統(tǒng)語義分割模型端到端的訓練,實驗結果有效地表明我們的模型不但能提高分割結果中單個物體的完整性,還能保持物體間的相互獨立性。本文中針對室內(nèi)場景的可學習的上下文正則化深度卷積神經(jīng)網(wǎng)絡模型在室內(nèi)場景的數(shù)據(jù)庫NYUDv2上對RGB圖跟深度編碼圖HHA進行實驗取得了精度上和分割邊緣的有效提升。基于分割導向的條件對抗網(wǎng)絡有效的認證了分割網(wǎng)絡在對抗學習上的有效性,在數(shù)據(jù)庫Cam Vid上進行了二類、十二類分割任務的實驗,對抗學習的方式保持了深度學習分割網(wǎng)絡的端到端的便捷屬性,同時聯(lián)合訓練提高了分割的像素點間的相關性。
【學位授予單位】：南昌航空大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關期刊論文 前10條

1 柳歡歡;姚明海;王憲保;;基于小波變換的GrabCut圖像分割[J];計算機系統(tǒng)應用;2014年08期

2 任小康;鄧琳凱;;基于顏色聚類分割及改進的FMM算法的壁畫修復[J];計算機工程與科學;2014年02期

3 王易Pq;趙勛杰;;基于K均值聚類分割彩色圖像算法的改進[J];計算機應用與軟件;2010年08期

4 康家銀;閔樂泉;;基于顧及像素空間信息的加權FCM聚類的圖像分割[J];北京科技大學學報;2008年09期

5 喬椺椺;吳成茂;;二維最大類間交叉熵閾值分割法[J];西北大學學報(自然科學版);2008年03期

6 李云松;李明;;基于灰度空間特征的模糊C均值聚類圖像分割[J];計算機工程與設計;2007年06期

7 夏桂松;何楚;孫洪;;一種基于非參數(shù)密度估計和馬爾可夫上下文的SAR圖像分割算法[J];電子與信息學報;2006年12期

8 楊鴻波,時永剛,鄒謀炎;一種非參數(shù)估計的活動圍道圖像分割方法[J];電子與信息學報;2004年12期

9 陳果,左洪福;圖像的自適應模糊閾值分割法[J];自動化學報;2003年05期

10 曹力,史忠科;基于最大熵原理的多閾值自動選取新方法[J];中國圖象圖形學報;2002年05期

相關碩士學位論文 前1條

1 陳坤;基于小波變換的微構件三維成像關鍵技術研究[D];浙江大學;2014年

，

本文編號：2536670