低光照场景下的语义分割方法研究

发布时间：2021-08-09 10:40

　　语义分割技术是图像处理和机器视觉领域一项重要的研究内容,在多个重要应用中发挥着不可替代的作用,如自动智能驾驶、机器人场景建模、智能医疗等。语义分割是对输入图像进行像素级别的语义分类计算过程,是一种优秀的场景理解方法。根据使用场景的不同,可以使用不同类别的分割算法,其中城市街景的语义分割是研究最广泛的方面。但现有的街景语义分割只专注于亮度充足的晴天场景,若是作用于低光照的场景将无法取得理想结果。针对现有分割方法作用环境单一的技术问题,结合图像特征学习和转换的思想方法进行深入研究,提出了两种用于低光照场景语义分割的深度网络模型。本文针对低光照场景图像亮度的不足、信息的丢失问题,提出了一种基于级联网络的低光照场景语义分割算法用于直接的语义分割的计算。该方法利用一个级联的语义分割网络进行端到端的语义分割,低光照图像作为网络输入,语义分割图为输出。该级联分割网络主要由两个部分组成,增强网络部分和语义分割部分。其中,增强网络部分是本文提出的能够提升网络亮度的深度网络模型,该模型综合了图片的低级和高级特征,能够提高图片亮度的同时保持颜色的不失真。为了训练该网络,本文提出了一种低光照场景数据集的生成方... 

【文章来源】：大连理工大学辽宁省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景及意义
    1.2 国内外研究现状
        1.2.1 传统的语义分割方法
        1.2.2 基于深度学习的分割方法
        1.2.3 低光照场景的语义理解
    1.3 论文内容与章节安排
2 深度学习算法与语义分割
    2.1 深度学习算法
        2.1.1 卷积神经网络概述
        2.1.2 卷积神经网络的层结构
    2.2 语义分割概述
        2.2.1 语义分割网络基本结构
        2.2.2 语义分割的损失函数与评价指标
        2.2.3 常用数据集
    2.3 本章小结
3 基于级联网络的低光照场景语义分割算法
    3.1 问题描述
    3.2 数据集生成策略
    3.3 增强网络模型
        3.3.1 自动编码器
        3.3.2 模型的设计
        3.3.3 损失函数与网络初始化
    3.4 级联网络
        3.4.1 多任务网络框架
        3.4.2 级联分割网络设计
        3.4.3 级联分割网络的训练
    3.5 实验结果与分析
        3.5.1 增强网络结果
        3.5.2 级联分割网络结果
    3.6 本章小结
4 基于迁移学习的低光照场景语义分割算法
    4.1 问题描述
    4.2 迁移学习
    4.3 基于迁移学习的低光照场景语义分割模型设计
        4.3.1 生成对抗网络算法
        4.3.2 迁移学习分割网络的结构设计
        4.3.3 迁移学习分割网络的训练
    4.4 实验结果与分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3331914