作為計算機視覺領(lǐng)域的一個重要研究課題,圖像語義分割的目標是將語義標簽分配給圖像中的每個像素,使彩色圖像轉(zhuǎn)化為語義標注圖像。盡管深度學習方法的出現(xiàn)使得圖像語義分割得到了明顯改善,但仍存在一些問題:在某些復雜場景中,由于拍攝角度不同和光照不均勻,圖像中包含許多不同目標相互重疊、低層視覺特征不明顯等現(xiàn)象,因此常常出現(xiàn)一些因目標外貌特征相似而產(chǎn)生的語義混淆問題;除此之外,由于卷積神經(jīng)網(wǎng)絡(luò)中的下采樣操作丟棄了大量圖像信息,導致分割結(jié)果中物體間上下文關(guān)系模糊以及目標物體邊界信息不清晰。因此,為了增強模型分辨外貌特征相似的物體的能力以及增強對物體邊界定位的能力,本文提出了兩種圖像語義分割方法:基于空間深度信息的語義分割方法和基于級聯(lián)CRFs的語義分割方法。兩種方法的具體介紹如下:（1）考慮到深度圖像的特性,本文提出了一種引入空間深度信息的語義分割方法,主要是向RGB支路疊加深度圖像,以加入額外的場景空間信息,從而緩解模型混淆相似目標的問題�？紤]到編碼器-解碼器模型和空間金字塔結(jié)構(gòu)在語義分割中的優(yōu)勢,首先建立一個基于空間金字塔池化的編碼器-解碼器語義分割模型:Basic Net,然后在該模型基礎(chǔ)上引入... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

SegNet模型示意圖

空間金字塔池化模型（ASPP），可以近似的認為 ASPP 是 SPP 的帶孔卷積版本。由于引入了帶孔卷積，可以擴大特征圖的感受野，進一步提升語義分割的準確率。圖2.7 空間金字塔池化結(jié)構(gòu)示意圖[38]在 SPP 模塊中，不同尺寸的池化操作將輸入特征圖劃分為多個子區(qū)域并生成對應的池化特征，這些局部區(qū)域之間存在一定的聯(lián)系卻各有不同，在提取自身局部語義信息的同時又和其他區(qū)域間有語義信息聯(lián)系，增加了上下文聯(lián)系。不僅如此，空間金字塔池化模型中使用了平均池化操作，將一個區(qū)域內(nèi)的值進行加權(quán)平均，這樣可以更好地反映當前區(qū)域內(nèi)包含的特征信息。因此，在本文工作中將使用 SPP 結(jié)構(gòu)實現(xiàn)對輸入特征的多尺度學習。2.3 全連接條件隨機場CRF 是 Lafferty 等人[47]于 21 世紀初期提出的一種概率無向圖學習模型，通常表示為 G={V，E}

【參考文獻】：
期刊論文
[1]融合語義知識的深度表達學習及在視覺理解中的應用[J]. 張瑞茂,彭杰鋒,吳恙,林倞.  計算機研究與發(fā)展. 2017(06)
[2]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[3]圖像分割綜述[J]. 趙春燕,閆長青,時秀芳.  中國科技信息. 2009(01)
[4]圖像分割的常用方法及其應用[J]. 石榮剛,李志遠,江濤.  現(xiàn)代電子技術(shù). 2007(12)



本文編號：3256819