图像语义分割算法研究
本文关键词:图像语义分割算法研究,,由笔耕文化传播整理发布。
【摘要】:互联网的普及和多媒体技术的飞速发展,造就了以图像为代表的多媒体信息呈现爆炸式的增长。海量的数据带来了存储、检索、管理等多方面的挑战。现行主要搜索引擎均是基于把图像数据的文本描述,缺乏准确性,不仅如此,在大规模网络图像的背景下,大量多媒体数据缺乏文本描述。因此如何自动对海量图像数据进行有效的组织和管理,以及如何对于每幅图像产生有效的结构化描述信息就成为了亟待解决的问题。在本文中,我们研究大规模图像检索和理解中的两个重要任务:图像自动标注和图像语义分割;深入理解其中存在的问题并提出了全新的解决方案。图像自动标注方法使用人工标注的图像对计算机进行训练,主要目的是使得计算机能够自动对没有标注的图像添加语义标签,列出其中存在的语义类别。传统的基于内容的图像检索系统需要实时根据图像内容提取的特征来计算两幅图像的相似程度,相比而言,仅基于文本的语义标签检索复杂度则低得多。网络图像的激增极大地丰富了人工标注图像的数量,因此自动图像标注的研究对于当前环境下大规模图像检索和理解有着非常重要的应用意义。然而自动图像标注模型主要基于图像层面的特征和标签,其局限性在于无法提供每个标签的位置,造成了不准确的结果。近年来,以获得每个区域乃至于像素的语义类别为目标的语义分割引起了全新的研究热潮。为了更全面地学习图像及其区域中的语义,本文提出了一个基于多图学习和块对角化约束的全监督语义分割方法。由于每种特征均从一个或者多个角度对图像进行描述,很难确定对于每个语义类别时,哪种特征是更为有效的。本文提出的全监督语义分割方法首先通过块对角化约束各个特征关系矩阵,随后建立各个特征下超像素之间的相似度和其语义相似度的一致性,进而学习超像素之间的多角度相似度。我们将上述过程定义为凸优化问题并提出了高效的解决方案。最终的超像素标签预测通过学习得到的多角度相似度关系图确定。传统方法依赖于对每一个像素精确标注的图像来进行模型的训练,资源十分有限。相比之下,如果尝试只利用图像层面的标签来训练语义分割模型,则监督信息大大弱化,这类问题被称为弱监督的语义分割问题。拥有充分的有标签图像作为资源的同时,该类问题的困难也是十分明显的:没有准确的区域语义信息,使用图像的标签很难训练区域的分类器。不同于已有的弱监督语义分割方法尝试用不准确的信息训练分类器,我们提出了一种全新的基于高维特征子空间分布的分类器评估方法来解决该问题。对于每个语义类别,我们随机采样产生若干个候选分类器,并利用稀疏重构的方法获得每个分类器对应子空间的基。利用该组基重构该类别的正负样本,将二者之间的差异作为评估准则,最终选出较优的分类器对测试集合进行分类。为了提升方法的效率,避免随机采样在高维空间产生的高昂代价,我们还提出了一个基于高斯混合模型的迭代合并更新算法来拟合参数及其对应得分的条件分布以确定最优分类器的可能区域。本文提出的全监督与弱监督语义分割方法分别在当前研究领域的主流数据集上进行了运行和测试,均取得了较好的效果。尤其值得一提的是,即使在弱监督环境下,本文所提出的方法的分类精度依然超过了一些全监督的方法。
【关键词】:计算机视觉 机器学习 图像标注 语义分割 模型评估
【学位授予单位】:复旦大学
【学位级别】:硕士
【学位授予年份】:2014
【分类号】:TP391.41
【目录】:
- 摘要7-9
- Abstract9-11
- 第1章 绪论11-19
- 1.1 研究背景及意义11-16
- 1.2 论文主要贡献16-17
- 1.3 论文结构17-19
- 第2章 相关工作19-25
- 2.1 自动图像标注技术19-20
- 2.1.1 生成模型19
- 2.1.2 判别模型19-20
- 2.2 语义分割20-25
- 2.2.1 全监督语义分割20-22
- 2.2.2 弱监督语义分割22-23
- 2.2.3 语义分割常用数据集23
- 2.2.4 语义分割评估标准23-25
- 第3章 基于多图学习与块对角约束的全监督语义分割方法25-35
- 3.1 多角度相似度关系图学习25-27
- 3.2 凸优化问题求解27-29
- 3.3 超像素标签预测29-30
- 3.4 实验评测30-35
- 3.4.1 基于MSRC数据集的实验效果评测30-31
- 3.4.2 基于VOC2007数据集的实验效果评测31-34
- 3.4.3 性能分析34-35
- 第4章 基于模型评估的弱监督语义分割方法35-57
- 4.1 弱监督语义分割方法35-41
- 4.1.1 基于子空间稀疏重构的权重学习36-37
- 4.1.2 二次规划加速求解37-39
- 4.1.3 学习基向量39-41
- 4.2 迭代合并更新算法41-44
- 4.2.1 拟合参数和得分的条件概率分布41-42
- 4.2.2 基于高斯混合模型的迭代合并更新算法42-44
- 4.3 实验评测44-57
- 4.3.1 特征与子空间结构44-45
- 4.3.2 稀疏子空间重构45-48
- 4.3.3 IMU的有效性证明48-49
- 4.3.4 基于MSRC数据集的实验效果评测49-54
- 4.3.5 基于VOC2007数据集的实验效果评测54-55
- 4.3.6 基于SIFT-flow数据集的实验效果评测55
- 4.3.7 性能分析55-57
- 第5章 总结与展望57-59
- 参考文献59-67
- 攻读硕士学位期间发表学术论文情况67-69
- 致谢69-70
【相似文献】
中国期刊全文数据库 前10条
1 骆玉霞,陈焕伟;角度分类器与距离分类器比较研究——以盐渍土分类为例[J];国土资源遥感;2002年02期
2 孙加庆;具有自学习功能的分类器的自动生成[J];计算机时代;2002年12期
3 潘翔,姚明海,陈国华;多分类器的一种动态联合方法[J];计算机工程与应用;2002年12期
4 马耀华,何瑗;Augmented Bayes分类器的一种学习方法[J];计算机工程与应用;2002年17期
5 王正群,孙兴华,杨静宇;多分类器组合研究[J];计算机工程与应用;2002年20期
6 冯彦杰,王浣尘;学习分类器在绩效寻优中的应用及其组织决策意义[J];控制理论与应用;2003年03期
7 唐春生,金以慧;基于全信息矩阵的多分类器集成方法[J];软件学报;2003年06期
8 唐春生;金以慧;;权重自适应调整的多分类器集成判决及其在文本分类中的应用[J];计算机科学;2003年01期
9 刘宁钟;杨静宇;;基于遗传算法的组合式分类器选择[J];模式识别与人工智能;2003年03期
10 柏延臣,王劲峰;结合多分类器的遥感数据专题分类方法研究[J];遥感学报;2005年05期
中国重要会议论文全文数据库 前10条
1 王占一;徐蔚然;刘东鑫;郭军;;一种基于两级分类器的垃圾短信过滤方法[A];第五届全国信息检索学术会议论文集[C];2009年
2 翟静;李海宏;唐常杰;陈敏敏;李智;;可验证对象集分类器的再训练演进[A];第十九届全国数据库学术会议论文集(研究报告篇)[C];2002年
3 穆明生;;基于特征集的多种分类器模型的在线笔迹认证[A];第十届全国信号处理学术年会(CCSP-2001)论文集[C];2001年
4 陈继航;刘家锋;赵巍;唐降龙;;联机手写识别笔段特征分类器的学习方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年
5 彭涛;左万利;赫枫龄;;基于链接上下文的分类器主题爬行技术(英文)[A];第二十三届中国数据库学术会议论文集(技术报告篇)[C];2006年
6 王岚;陈珂;迟惠生;;基于多特征组合多分类器的方法用于“与文本无关”的说话人辨认[A];第四届全国人机语音通讯学术会议论文集[C];1996年
7 邵小健;段华;贺国平;;一种改进的最少核分类器[A];中国运筹学会第七届学术交流会论文集(上卷)[C];2004年
8 谢秋玲;;应用于心电图分类的KNN-SVM分类器研究[A];2006中国控制与决策学术年会论文集[C];2006年
9 胡琼;汪荣贵;胡韦伟;孙见青;;基于级联分类器的快速人脸检测方法[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用(CACIS)学术会议论文集[C];2007年
10 李兰春;王双成;杜瑞杰;;认知结构评估的动态贝叶斯网络分类器方法[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
中国重要报纸全文数据库 前1条
1 黄明;精子分类器决定生男生女[N];广东科技报;2000年
中国硕士学位论文全文数据库 前10条
1 邹金凤;基于综合评价理论的多分类器容器[D];大连理工大学;2005年
2 高凤娥;分布式环境下多分类器识别和应用[D];西安电子科技大学;2006年
3 郭霞;一种高效集成分类器及其在蛋白质折叠识别中的应用研究[D];湘潭大学;2007年
4 王国林;基于分类器融合的人脸识别研究[D];江苏科技大学;2011年
5 张晨;多维约束下代价敏感集成分类器的研究[D];广西师范大学;2009年
6 郭瑜;铸坯冷酸蚀图像分类器的设计及研究[D];华中科技大学;2009年
7 孙利;基于多分类器和双视角信息融合的乳腺钼靶图像病灶分类算法研究[D];杭州电子科技大学;2011年
8 强琦;基于统计学习的多类别分类器研究[D];浙江大学;2006年
9 孙丽娜;集成异种分类器分类稀有类[D];郑州大学;2007年
10 范莹;基于进化计算和模糊聚类技术的多分类器联合研究[D];山东师范大学;2008年
本文关键词:图像语义分割算法研究,由笔耕文化传播整理发布。
本文编号:381178
本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/381178.html