在大數據時代,互聯(lián)網圖像資源的數量飛速增長,針對這些圖像進行相應處理的技術已成為一個值得關注的問題。而應用廣泛的圖像分割技術是圖像處理中的主要難點。近年來,深度學習技術的特征提取性能使得其在計算機視覺處理、圖像檢測、圖像語義分割等領域有著重要的研究價值和廣泛的使用。卷積神經網絡﹙CNN﹚是深度學習的一個模型,該模型在圖像處理方面表現(xiàn)良好。而近年來新提出的全卷積神經網絡（FCN）是對卷積神經網絡的一個改進結構。全卷積網絡FCN相比于傳統(tǒng)的卷積神經網絡具有其獨特的優(yōu)勢,在結構上與卷積神經網絡的結構有相似部分,但是全卷積神經網絡中實現(xiàn)了全卷積化,將全連接層變成了卷積層,還包含上采樣層等獨特的網絡結構。全卷積網絡能夠預測每個像素點的語義標簽,實現(xiàn)像素級別的圖像語義分割,同時實現(xiàn)端到端的輸出。故而可以很好的解決很多圖像檢測、分割的問題。相對于傳統(tǒng)神經網絡有明顯的優(yōu)點。本文探究了全卷積神經網絡（FCN）和卷積神經網絡（CNN）的實現(xiàn)原理,并且通過對比得出全卷積神經網絡（FCN）的優(yōu)勢所在。論文主要研究全卷積神經網絡在圖像分割領域的應用,提出了一種基于已有卷積神經網絡進行全卷積改進的網絡結構,使其符... 

【文章來源】：南京郵電大學江蘇省

【文章頁數】：56 頁

【學位級別】：碩士

【部分圖文】：

神經元模型

多層神經網絡模型

圖 2.3 FCN 結構模型卷積層與全連接層的區(qū)別在于：卷積是對局部區(qū)域的運算，可以處理不同大小的圖像，而全連接層是對所有輸入進行了完全的連接，只能處理固定大小的圖像。但卷積和全連接其實都是點乘運算操作，數學本質還是一樣的。如果把卷積的作用范圍擴大為何全連接層一樣，就可以實現(xiàn)全連接層的功能。所以卷積層和全連接層的相互轉化是可行的。具體舉例說明如下：在 AlexNet 中，第六層是輸入為 256x6x6 的全連接層，對于這個全連接層，只要將它換為卷積核大小為 6x6 的卷積就可以實現(xiàn)相同功能了。在 AlexNet 中的其他幾層全連接層也可以通過類似的方法轉化為卷積層。在全連接層和卷積層的互相轉化中，將全連接層變化為卷積層更加有優(yōu)勢。因為全連接層要求固定的輸入同時會帶來大量的網絡參數。關于全卷積神經網絡中部分結構的功能解釋如下：2.3.1 卷積層

【參考文獻】：
期刊論文
[1]三維卷積神經網絡模型聯(lián)合條件隨機場優(yōu)化的高光譜遙感影像分類[J]. 李竺強,朱瑞飛,高放,孟祥玉,安源,鐘興.  光學學報. 2018(08)
[2]深度卷積神經網絡的發(fā)展及其在計算機視覺領域的應用[J]. 張順,龔怡宏,王進軍.  計算機學報. 2019(03)
[3]結合深度學習與條件隨機場的遙感圖像分類[J]. 夏夢,曹國,汪光亞,尚巖峰.  中國圖象圖形學報. 2017(09)
[4]深度學習在目標視覺檢測中的應用進展與展望[J]. 張慧,王坤峰,王飛躍.  自動化學報. 2017(08)
[5]基于深度全卷積神經網絡的文字區(qū)域定位方法[J]. 駱遙.  無線互聯(lián)科技. 2016(23)
[6]基于深度卷積神經網絡的服裝圖像分類檢索算法[J]. 厲智,孫玉寶,王楓,劉青山.  計算機工程. 2016(11)
[7]基于全卷積網絡的場景文本檢測[J]. 賀通姚劍.  黑龍江科技信息. 2016(17)



本文編號：3553669