發(fā)布時(shí)間：2019-09-17 05:45

【摘要】：圖像的語義分割一直是計(jì)算機(jī)視覺領(lǐng)域的研究重點(diǎn),而深度學(xué)習(xí)是近階段人工智能方向飛速發(fā)展的熱點(diǎn),因此基于深度學(xué)習(xí)的機(jī)器視覺方面的應(yīng)用隨之成為全世界研究人員的熱點(diǎn)關(guān)注問題。深度學(xué)習(xí)的發(fā)展近十年來在人工智能領(lǐng)域取得了非常具有建設(shè)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(yīng)用方式之一。深度學(xué)習(xí)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(lǐng)域上取得了引人矚目的成功應(yīng)用。接踵而至,各種各樣的計(jì)算機(jī)視覺問題都在嘗試使用深度學(xué)習(xí)的方法來進(jìn)行更為突破性的研究。本文重點(diǎn)研究基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割。研究一是針對(duì)室內(nèi)場(chǎng)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(jí)別的分割精度。研究二是將語義分割作為導(dǎo)向使用條件對(duì)抗網(wǎng)絡(luò)得到像素級(jí)別上更精準(zhǔn)、像素間更具相關(guān)性的分割結(jié)果,也是利用條件對(duì)抗網(wǎng)絡(luò)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(xué)習(xí)方法在圖像語義分割任務(wù)上的差異,以及當(dāng)下最熱門的對(duì)抗學(xué)習(xí)方式和其中主要的生成對(duì)抗網(wǎng)絡(luò)的介紹。主要分析了深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)在圖像語義分割任務(wù)上的優(yōu)勢(shì),以及生成對(duì)抗網(wǎng)絡(luò)在圖像語義分割任務(wù)上的可行性與優(yōu)點(diǎn)。室內(nèi)場(chǎng)景的語義分割有很大的應(yīng)用范圍,例如智能機(jī)器人、室內(nèi)監(jiān)控等,但由于室內(nèi)場(chǎng)景中的物體類別繁多且分布不均勻,當(dāng)分割較小的物體或物體邊緣時(shí)很容易丟失標(biāo)簽。圖片的上下文信息表達(dá)的是像素點(diǎn)之間的關(guān)聯(lián)內(nèi)容,這些內(nèi)容之間的約束能對(duì)語義分割結(jié)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(duì)此提出了一個(gè)可學(xué)習(xí)的上下文正則化深度卷積神經(jīng)網(wǎng)絡(luò)模型,該模型利用卷積神經(jīng)網(wǎng)絡(luò)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(qiáng)語義分割結(jié)果。該正則化模型使用深度卷積分割網(wǎng)絡(luò),但不引起明顯的額外參數(shù)增加網(wǎng)絡(luò)訓(xùn)練負(fù)擔(dān)。提出的模型利用室內(nèi)場(chǎng)景物體固有的上下文正則約束提高分割結(jié)果,可學(xué)習(xí)的約束是在網(wǎng)絡(luò)低層和網(wǎng)絡(luò)高層之間架起一個(gè)連接橋,在相鄰的RGB像素點(diǎn)使用L1約束學(xué)習(xí)上下文約束信息來輔助高層的像素點(diǎn)分類以提高分割精度�；�于深度卷積神經(jīng)網(wǎng)絡(luò)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(duì)抗網(wǎng)絡(luò)(GANs)是深度學(xué)習(xí)領(lǐng)域最新提出的比較重要的一個(gè)模型,但現(xiàn)有的主要研究大多是針對(duì)圖像生成、風(fēng)格轉(zhuǎn)移等任務(wù),在圖像分割上的研究還不夠深入。因此本文使用生成對(duì)抗模型來研究和解決圖像語義分割任務(wù),提出分割-對(duì)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(duì)標(biāo)簽類預(yù)測(cè)的概率圖,逐像素計(jì)算回歸損失。CSGAN模型中的判別網(wǎng)絡(luò)對(duì)預(yù)測(cè)圖與標(biāo)簽圖的差異進(jìn)行高階規(guī)律統(tǒng)計(jì),為生成模型提供了一個(gè)自學(xué)習(xí)的全局損失統(tǒng)計(jì)方式,不依賴人工設(shè)計(jì)的損失項(xiàng).。我們的模型保持了傳統(tǒng)語義分割模型端到端的訓(xùn)練,實(shí)驗(yàn)結(jié)果有效地表明我們的模型不但能提高分割結(jié)果中單個(gè)物體的完整性,還能保持物體間的相互獨(dú)立性。本文中針對(duì)室內(nèi)場(chǎng)景的可學(xué)習(xí)的上下文正則化深度卷積神經(jīng)網(wǎng)絡(luò)模型在室內(nèi)場(chǎng)景的數(shù)據(jù)庫NYUDv2上對(duì)RGB圖跟深度編碼圖HHA進(jìn)行實(shí)驗(yàn)取得了精度上和分割邊緣的有效提升�；�于分割導(dǎo)向的條件對(duì)抗網(wǎng)絡(luò)有效的認(rèn)證了分割網(wǎng)絡(luò)在對(duì)抗學(xué)習(xí)上的有效性,在數(shù)據(jù)庫Cam Vid上進(jìn)行了二類、十二類分割任務(wù)的實(shí)驗(yàn),對(duì)抗學(xué)習(xí)的方式保持了深度學(xué)習(xí)分割網(wǎng)絡(luò)的端到端的便捷屬性,同時(shí)聯(lián)合訓(xùn)練提高了分割的像素點(diǎn)間的相關(guān)性。
【學(xué)位授予單位】：南昌航空大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

相關(guān)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(jì)算機(jī)系統(tǒng)應(yīng)用;2014年08期

2 任小康;鄧琳凱;;基于顏色聚類分割及改進(jìn)的FMM算法的壁畫修復(fù)[J];計(jì)算機(jī)工程與科學(xué);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(jìn)[J];計(jì)算機(jī)應(yīng)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(quán)FCM聚類的圖像分割[J];北京科技大學(xué)學(xué)報(bào);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(xué)學(xué)報(bào)(自然科學(xué)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(jì)算機(jī)工程與設(shè)計(jì);2007年06期

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

8 楊鴻波,時(shí)永剛,鄒謀炎;一種非參數(shù)估計(jì)的活動(dòng)圍道圖像分割方法[J];電子與信息學(xué)報(bào);2004年12期

9 陳果,左洪福;圖像的自適應(yīng)模糊閾值分割法[J];自動(dòng)化學(xué)報(bào);2003年05期

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

相關(guān)碩士學(xué)位論文 前1條

1 陳坤;基于小波變換的微構(gòu)件三維成像關(guān)鍵技術(shù)研究[D];浙江大學(xué);2014年

，

本文編號(hào)：2536670