基于全卷积神经网络的大田复杂场景图像的语义分割研究
本文选题：全卷积神经网络 切入点：大田图像语义分割 出处：《西北农林科技大学》2017年硕士论文 论文类型：学位论文
【摘要】：随着深度学习的不断发展,深度卷积神经网络也越来越多地被应用于计算机视觉领域,使其在智能农机大田作业中拥有广阔的应用前景。为了更好地获取大田环境信息,本文以西北农林科技大学试验田图像作为研究对象,利用深度学习技术,结合有监督训练方法,实现了大田复杂场景图像的语义分割。本文的主要研究内容及结论如下:(1)全卷积神经网络模型的设计。针对大田场景易受光照、天气和温度等因素的影响,且场景中目标种类较多,传统的分割算法不能有效解决以上问题,而卷积神经网络对几何变换和光照具有高度不变性,设计了全卷积神经网络(FCN)模型进行大田复杂场景图像语义分割。通过反卷积层的方式,实现了大田图像像素级的语义分割。(2)基于FCN的大田复杂场景图像的语义分割。针对FCN中容易出现的过拟合问题,研究了数据增强的方法。然后采用模型二阶段训练的方法,解决了深度学习网络训练时间长,不容易收敛的问题。最后采用FCN-32s、FCN-16s和FCN-8s三种不同的上采样网络结构进行了对比实验,实验结果表明,FCN-8s网络结构效果最好,其像素准确率可以达到90.87%,平均IU可以达到75.52%。针对大田场景光照充足和光照不足的情况,分别采用光照充足和光照不足的数据集对模型进行测试,实验结果表明该模型对于大田光照变化具有良好的适应性和稳定性。(3)大田复杂场景图像语义分割模型的优化。针对传统激活函数对于数据利用不充分,对噪声鲁棒性差的问题,本文分别研究了采用修正线性单元(ReLU)和指数线性单元(ELU)激活函数的模型,实验结果表明,ELU激活函数可以加快模型的收敛速度,且对噪声的鲁棒性较好。然后采用Batch Nomalization(BN),使得FCN训练过程更加稳定,同时起到了正则化的作用。通过分别采用支持向量机(SVM)和多项逻辑回归(Softmax)分类器建立模型,实现大田复杂场景图像的语义分割,通过对比实验发现,采用SVM分类器的模型效果表现更好。优化模型的像素准确率达到了91.86%,平均IU提升到了76.84%,说明经过优化的模型更适合大田复杂场景图像的语义分割。综上,本文采用ELU激活函数、模型二阶段训练和SVM分类器基本实现了基于FCN的大田复杂场景图像的语义分割模型,并实验验证了该模型的有效性,可以直接利用大田图像,实现了大田图像像素级的预测,其为大田复杂场景图像语义分割的研究提供了一定的基础。
[Abstract]:......
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP391.41;TP183
【相似文献】
相关期刊论文 前10条
1 杨晓帅 ,付玫;神经网络技术让管理更轻松[J];软件世界;2000年11期
2 云中客;新的神经网络来自于仿生学[J];物理;2001年10期
3 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期
4 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期
5 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期
6 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期
7 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期
8 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期
9 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期
10 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期
相关会议论文 前10条
1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年
2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年
3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年
4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年
9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年
10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年
相关重要报纸文章 前10条
1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年
2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年
3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年
4 中国科技大学计算机系 邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年
5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年
6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年
7 健康时报特约记者 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年
8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年
9 ;神经网络和模糊逻辑[N];世界金属导报;2002年
10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年
相关博士学位论文 前10条
1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年
2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年
3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年
4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年
5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年
6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年
7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年
8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年
9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年
10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年
相关硕士学位论文 前10条
1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年
2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年
3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年
4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年
5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年
6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年
7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年
8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年
9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年
10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年
，本文编号：1620873
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/1620873.html
