深度学习在肖像分割中的研究与应用

发布时间：2023-03-16 07:43

　　计算机视觉一直以来都是研究的热点,而且其研究成果也被广泛应用在社会生活的方方面面。随着近些年深度学习爆发式的发展,其在计算机视觉上的研究和应用使得计算机视觉中的各项任务均获得了阶段性的发展。从原来的基于简单统计量的传统方法到现在基于模式识别的深度学习方法,计算机视觉实现了阶段性的突破。图像分割是计算机视觉中的一项最重要的任务,其研究进展也代表了计算机视觉的最新成果,本文基于深度学习在图像分割的研究现状基础上,分析了现有方法适用性以及其有效性和可能存在的一些问题,并提出了相应的改进方法。本文的主要研究内容包括:1.针对深度卷积网络在图像分割中的分割结果存在噪音、边界模糊和缺少目标形状先验信息的特点,提出了一种基于形状先验和深度学习的水平集分割方法。把深度卷积网络的输出当作一种概率图来处理,并使用全局仿射变换方法把每种目标物体固有的形状先验依据概率图变换到适应每一张特定的图片。最终使用水平集方法融合原始图片、概率图和修正的形状先验三种信息来获取分割结果,并且最终得到的分割结果趋向于更合理的形状。2.图像可以被当作一种二维的信号,借鉴基于频率域分析的方法在信号分析中的广泛应用,提出了一种基于...

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
学位论文数据集
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状
    1.3 课题研究内容
    1.4 论文组织结构
第二章 基于形状先验和深度学习的水平集分割方法
    2.1 算法思路
    2.2 算法实现
        2.2.1 深度学习获得概率图
        2.2.2 全局仿射变换获得矫正的形状先验
        2.2.3 基于深度先验的水平集方法
    2.3 实验和结果分析
        2.3.1 肖像数据集介绍
        2.3.2 评价标准
        2.3.3 结果与分析
    2.4 讨论
    2.5 小结
第三章 基于多频率分解的神经网络方法
    3.1 算法思路
    3.2 基于快速傅立叶变换的多频率分解
    3.3 多频率分解网络在时间序列信号中的应用
        3.3.1 网络结构
        3.3.2 数据集介绍
        3.3.3 评价标准
        3.3.4 结果与分析
    3.4 多频率分解网络在图片中的应用
        3.4.1 网络结构
        3.4.2 数据集介绍
        3.4.3 结果与分析
    3.5 小结
第四章 基于注意力学习的深度网络
    4.1 算法思路
    4.2 算法实现
        4.2.1 注意力焦点的表示
        4.2.2 注意力学习网络
    4.3 结果与分析
    4.4 小结
第五章 在线肖像分割服务原型系统的设计与实现
    5.1 需求分析
    5.2 系统设计
    5.3 系统实现
    5.4 展示
    5.5 小结
第六章 总结及展望
    6.1 总结
    6.2 展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
附件



本文编号：3762949