發(fā)布時(shí)間：2021-12-12 06:41

　　人工智能目前是一個(gè)比較熱門的領(lǐng)域,在生活中有許多實(shí)際的應(yīng)用場(chǎng)景,發(fā)展空間也是相當(dāng)大,一些方向比如檢測(cè)識(shí)別圖像、分割圖像等任務(wù)也受到了許多的關(guān)注。本文主要通過特征增強(qiáng)的方式來改進(jìn)檢測(cè)和分割網(wǎng)絡(luò)的性能。具體來說,通過改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)來改善檢測(cè)分割性能,檢測(cè)方面,有通過角點(diǎn)檢測(cè)的方式來得到候選框,存在的性能瓶頸主要是角點(diǎn)檢測(cè)這塊,通過邊緣檢測(cè)的分支,因?yàn)榻屈c(diǎn)的確定是通過邊緣,那么通過在訓(xùn)練時(shí)候增加的邊緣檢測(cè)分支可以進(jìn)一步提高角點(diǎn)檢測(cè)的準(zhǔn)確性。在語義分割方面,一般是通過引入語義信息更強(qiáng)的深層輸出即高層信息來引導(dǎo)底層信息通過跳過連接傳到高層部分的信息,但是仍然存在一些缺陷,沒有考慮到底層和高層信息的域差異問題,本文通過域轉(zhuǎn)換的方式,在特征融合之前,將底層的特征域向高層的特征域轉(zhuǎn)換,最后達(dá)到去除底層細(xì)節(jié)信息帶來的噪聲問題。本論文在公開的COCO數(shù)據(jù)集以及PASCAL VOC和Cityscape上做實(shí)驗(yàn),驗(yàn)證了特征增強(qiáng)在上述兩個(gè)方向上的有效性。本文深入研究了特征增強(qiáng)在不帶來太多計(jì)算量的同時(shí),對(duì)性能較好的模型帶來的性能提升。本論文進(jìn)一步研究了組合檢測(cè)和分割進(jìn)行實(shí)例分割的問題,提出了一種加入GRU模塊的簡(jiǎn)單... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１?Ｆａｓｔｅｒ?ＲＣＮＮ網(wǎng)絡(luò)結(jié)構(gòu)圖??Ｒ－ＣＮＮ?［１］網(wǎng)絡(luò)一出．習(xí)法進(jìn)取，??

?．哈爾＿：ｒ業(yè)太學(xué)謂顆；論丈???器人導(dǎo)航和精準(zhǔn)農(nóng)業(yè)等人工智能領(lǐng)域具有廣泛的應(yīng)用前景＾近年來，快速發(fā)展??的深度卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）?［２Ｑ＿２９］大大提高了語義分割的性能。作為開創(chuàng)性的??工作［３６］，Ｌｏｎｇ等人提出完全卷積網(wǎng)絡(luò)（ＦＣＮ）進(jìn)行語義分割，如圖１－２所示，??其中ＦＣＮ通過使用編碼器模型逐步降低空：間分辨率的方法提取語義信息，詞時(shí)??通過在解碼器模型中上采樣恢復(fù)分辨率的操作。即使ＦＣＮ的編碼器模型可以學(xué)??習(xí)高級(jí)語義條信息，由于分辨率降低，它丟棄了大量空間細(xì)節(jié)宿息，從而導(dǎo)致??不準(zhǔn)確的分割結(jié)果，尤其是在物體的邊界上。為了解決上述何題，最近提出了??—些方法引入了一個(gè)或幾個(gè)跳過連接模塊來將編碼器連接到解碼器模型，例如??Ｕ－Ｎｅｔ—和?ＤｅｅｐＬａｂｖ３＋［？＞］。這種跳過連接模塊可以融合編碼器提供的底層特征??和解碼器具有的高層特征，從而提高了分割性能，通過將高分辨率空間細(xì)節(jié)引??入低分辨率語義特征。??同時(shí)公開了數(shù)據(jù)集如?Ｍａｐｉｌｌａｒｙ?Ｖｉｓｔａｓ［３５］，ＰＡＳＣＡＬ－Ｃｏｎｔｅｘｔ問，ＡＤＥ２〇Ｋ間，??ＣＯＣＯ－Ｓｔｕｆｆ?１０Ｋ［３３］，Ｃｉｔｙｓｃａｐｅｓ間等進(jìn)一步推動(dòng)了語義分割的進(jìn)展。由于網(wǎng)絡(luò)??結(jié)構(gòu)中還有全連接層，仍然有很大的提升空間，ＡｌｅｘＮｅｔ［３７］，ＶＧＧＮｅｔ［３８］和??ＧｏｏｇＬｅＮｅｔ＾Ｉ通過將分類網(wǎng)絡(luò)轉(zhuǎn)為全卷積的網(wǎng)絡(luò)，即網(wǎng)絡(luò)結(jié)構(gòu)中無全連接層，??如圖１－２所示，至此將語義分割的問題轉(zhuǎn)化成為端到端的學(xué)習(xí)預(yù)測(cè)問題，基于??卷積神經(jīng)網(wǎng)絡(luò)也就成為分割網(wǎng)絡(luò)的主流。??Ａ?ｆｏｒｗａｒｄ??圖１－２全卷積網(wǎng)絡(luò)??Ｌｏｎｇ等首先成功地將深度卷積應(yīng)用于語義分割任

?．哈爾＿：ｒ業(yè)太學(xué)謂顆；論丈???只是跳過連接效果不明Ｍ，所以使用語義嵌入分支（ＳＥＢ）用來提供更多的底戻??信息到高層信息中去。另外，上下文的信息和多尺度的特征也可以用來進(jìn)一步??提升分割性能。并且為了降低像素級(jí)的標(biāo)注成本，最近提出的網(wǎng)絡(luò)結(jié)構(gòu)有的通??過使用弱監(jiān)督的信息，比如通過檢測(cè)框或者圖像類別的信息來提升語義分割的??模型的性能。??Ｅｎｃｏｄｅｒ－ｄｅｃｏｄｅｒ?Ｕ－Ｎｅｔ??Ｘ?？?—＊??＊?—＊?—？??？?ｙ?ｘ?＊?—？??？?—？?—＊??？ｙ???？??Ｌｚｒ???？??￣?Ｌｚｒ??圖１－３編碼器－解碼器結(jié)構(gòu)??總的來說，檢測(cè)和分割的何題不斷有新的研究成果，目前仍然是一個(gè)比較??有挑戰(zhàn)的任務(wù)，國(guó)內(nèi)外一直有新的論文發(fā)表，所以仍然存在很大的空間可以提??升。．本文的研宄的內(nèi)容主要可以概括為通過増強(qiáng)特征的方式來改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)來??改善檢測(cè)分割性能，比如Ｃｏｒｎｅｒｎｅｔ通過角點(diǎn)檢測(cè)的方式來檢測(cè)，Ｅｘｆｕｓｅ通過引??入語義信息更強(qiáng)的深層輸出來引導(dǎo)底層信息通過跳過連接傳到高層部分的信息。??但是仍然存在一些缺陷，比如角點(diǎn)檢測(cè)的準(zhǔn)確率仍然是性能的瓶頸，Ｅｘｆｕｓｅ沒??有考慮到底層和高層信息的域差異何題。因此本文中將討論如何通過增強(qiáng)邊緣??檢測(cè)的能力以及域適應(yīng)的思路設(shè)計(jì)研宄方案。??－７?－??


本文編號(hào)：3536191