基于改进的区域全卷积神经网络和联合双边滤波的图像着色方法

发布时间：2021-06-13 19:44

　　为了解决传统的卷积神经网络着色方法带来语境混淆、边缘模糊和细节信息丢失度高等问题,设计了一个改进的基于密集神经网络的区域全卷积神经网络（R-FCN）和基于局部特征网络的双分支神经网络模型。通过DenseNet可准确提取信息,产生易于训练和高参数效率的密集模型,采用全连接的条件随机场优化分割结果来提高分割的准确率。验证阶段采用联合双边滤波对图像进行处理,弥补图像边缘模糊的缺点。实验结果表明:与现有着色方法相比,该方法有效地解决了细节丢失度高、颜色不饱和及边缘模糊的问题,能够产生更真实、更合理的彩色图像,取得了优异的效果。 

【文章来源】：激光与光电子学进展. 2020,57(12)北大核心CSCD

【文章页数】：7 页

【部分图文】：

密集神经网络结构

图像着色过程中，图像的语义特征是对图像实体类别进行详细刻画，通过对灰度图像进行语义分割来进一步提取图像的深层语义特征，主要采用以DenseNet为主干网络的R-FCN方法，充分利用网络前层的所有信息提取深层语义特征，结合分类指导优化损失。4.1 改进的R-FCN

改进的R-FCN结构

【参考文献】：
期刊论文
[1]基于深度学习的语义分割问题研究综述[J]. 张祥甫,刘健,石章松,吴中红,王智.  激光与光电子学进展. 2019(15)
[2]基于积神经网络的图像着色方法研究[J]. 张政,姚楠,方利.  电脑知识与技术. 2019(06)
[3]基于多尺度特征提取和全连接条件随机场的图像语义分割方法[J]. 董永峰,杨雨?,王利琴.  激光与光电子学进展. 2019(13)
[4]基于区域全卷积网络结合残差网络的火焰检测方法[J]. 洪伟,李朝锋.  激光与光电子学进展. 2018(04)



本文编号：3228204