語義分割是計算機視覺中最基本的任務之一,對圖像理解起著關鍵作用,并且在許多實際應用中有重大影響,例如自動駕駛、機器人和醫(yī)療圖像診斷等。近年來,雖然基于深度卷積神經(jīng)網(wǎng)絡的語義分割研究取得了顯著進步,但還是存在不少挑戰(zhàn)。本文基于深度學習技術,從兩個方面研究了基于深度卷積網(wǎng)絡的語義分割模型,分別是通過融合上下文語義信息和空間信息提高語義分割準確度的研究,以及通過彈性特征金字塔模塊減少語義分割的時間復雜度、達到實時語義分割的研究。本文所做工作具體闡述如下:首先,本文對當前基于深度學習的語義分割算法展開詳細地概述,細致地介紹了圖像語義分割常用的深度模型框架。接著,按照提升網(wǎng)絡感受域的方法、基于特征融合的方法、基于注意力機制的方法和基于神經(jīng)網(wǎng)絡架構搜索的方法這四個維度,對當前最有效的語義分割方法進行論述。最后闡述了未來最有前景的實時語義分割方法。通過對當前語義分割方法進行回顧,能夠清晰地了解語義分割研究的發(fā)展歷程,以及為相關的研究人員啟發(fā)研究思路。其次,當前圖像語義分割研究基本圍繞如何提取有效的語義上下文信息和還原空間細節(jié)信息兩個因素來設計更高效算法。為了提升網(wǎng)絡的語義表達能力,同時建立像素點之間... 

【文章來源】：江西理工大學江西省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及其意義
    1.2 語義分割研究現(xiàn)狀
    1.3 語義分割研究難點
    1.4 研究的主要內容
    1.5 本文的組織結構
第二章 基于深度學習的圖像語義分割進展綜述
    2.1 引言
    2.2 語義分割基本網(wǎng)絡框架
        2.2.1 全卷積網(wǎng)絡結構
        2.2.2 編解碼結構
        2.2.3 基于循環(huán)神經(jīng)網(wǎng)絡結構
        2.2.4 基于對抗網(wǎng)絡結構
    2.3 提升網(wǎng)絡感受域的語義分割方法
    2.4 基于特征融合的語義分割方法
        2.4.1 多尺度特征融合
        2.4.2 不同層級特征融合
    2.5 基于注意力機制的語義分割方法
    2.6 基于神經(jīng)網(wǎng)絡結構搜索的語義分割方法
    2.7 實時語義分割方法
        2.7.1 基于輕量化卷積結構
        2.7.2 多分支結構
    2.8 本章小結
第三章 基于上下文和淺層空間編解碼網(wǎng)絡的圖像語義分割方法
    3.1 引言
    3.2 相關工作
        3.2.1 編碼器-解碼器
        3.2.2 二分支結構
        3.2.3 空間金字塔
    3.3 本文所提出的方法
        3.3.1 網(wǎng)絡結構
        3.3.2 混合擴張卷積模塊
        3.3.3 殘差金字塔特征提取模塊
        3.3.4 鏈式反置殘差模塊
        3.3.5 殘差循環(huán)卷積模塊
    3.4 實驗
        3.4.1 實驗設置
        3.4.2 Cam Vid數(shù)據(jù)集上的結果
        3.4.3 SUN RGB-D數(shù)據(jù)集上的結果
        3.4.4 Cityscapes數(shù)據(jù)集上的結果
        3.4.5 消融實驗
    3.5 本章小結
第四章 基于特征編碼融合網(wǎng)絡的實時語義分割
    4.1 引言
    4.2 相關工作
        4.2.1 實時語義分割
        4.2.2 多尺度特征融合
        4.2.3 不同層級特征融合
    4.3 所提出的方法
        4.3.1 彈性特征金字塔模塊
        4.3.2 多路徑語義模塊
        4.3.3 雙注意力融合模塊
        4.3.4 網(wǎng)絡結構
    4.4 實驗
        4.4.1 實驗設置
        4.4.2 Cam Vid數(shù)據(jù)集上的結果
        4.4.3 Cityscapes數(shù)據(jù)集上的結果
        4.4.4 消融實驗
    4.5 本章小結
第五章 總結與展望
    5.1 本文工作總結
    5.2 研究展望
參考文獻
致謝
攻讀學位期間的研究成果



本文編號：3589096