基于局部区域生长和Faster R-CNN的弱监督图像语义分割

发布时间：2022-09-28 17:31

　　随着科技的发展,人工智能已经步入我们的日常生活,如在自动驾驶,智能机器人,医学影像分析等领域被广泛应用。图像语义分割是人工智能领域的一个热点和难点,其目的是为图像中每一个像素分配一个标签。目前,由于缺少大规模的像素级标签数据集,限制了图像语义分割的进一步发展。因此,研究者将目光转向弱监督图像语义分割,用易获得的弱监督信息代替难获取的像素级标签去训练语义分割模型。其中,图像级标签在弱监督信息中最为简单,不仅标注耗时少,而且易获取大量的数据。近年来,基于图像级标签的弱监督图像语义分割方法蓬勃发展。然而,图像级标签提供的监督信息只有图像中是否存在某一目标,与精确的像素级标签有着很大的鸿沟,因此基于图像级标签的弱监督图像语义分割面临着很多的挑战:（1）图像级标签过于粗糙,缺少对目标的位置和边界信息描述,无法直接进行图像分割模型训练。（2）由于图像背景复杂,难以对目标进行充分的区分并分割,这是整个弱监督图像语义分割共同的难题。（3）当下基于深度学习的弱监督语义分割模型,过分关注目标的显著性区域,导致目标分割不完整。本文针对以上问题进行了的研究,具体贡献如下:（1）针对图像级标签缺少目标的具体位置... 

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 主要内容与章节安排
第二章 弱监督图像语义分割相关方法
    2.1 基于传统机器学习的弱监督图像语义分割
    2.2 基于深度学习的弱监督图像语义分割
        2.2.1 卷积神经网络介绍
        2.2.2 基于图像级标签的技术
        2.2.3 基于其他弱监督信息的技术
    2.3 本章小结
第三章 基于优化物体框的Faster R-CNN弱监督图像语义分割
    3.1 引言
    3.2 Faster R-CNN算法
    3.3 基于超像素优化物体框方法
        3.3.1 SLIC超像素分割
        3.3.2 超像素特征提取
        3.3.3 优化物体框
    3.4 基于Grabcut与优化后物体框的语义分割
    3.5 实验结果与分析
        3.5.1 实验设置
        3.5.2 实验结果分析
    3.6 本章小结
第四章 基于局部区域生长的弱监督图像语义分割
    4.1 引言
    4.2 多尺度特征图提取
        4.2.1 空洞卷积
        4.2.2 提取多尺度特征图
    4.3 密集种子提取
        4.3.1 Grad-CAM算法
        4.3.2 构造种子点
    4.4 训练分割网络
        4.4.1 种子生长
        4.4.2 分割模型训练
    4.5 实验与分析
        4.5.1 实验数据集和参数设定
        4.5.2 实验结果分析
    4.6 本章小结
总结与展望
参考文献
攻读硕士学位期间发表的学术论文
攻读硕士学位期间参与的科研项目
致谢


【参考文献】：
期刊论文
[1]基于DCNN的图像语义分割综述[J]. 魏云超,赵耀.  北京交通大学学报. 2016(04)



本文编号：3682083