卷积神经网络在轮廓检测中的算法研究

发布时间：2020-03-18 18:14

【摘要】：轮廓检测旨在提取图像中目标与背景环境的分界线,是计算机视觉研究领域中最基本的问题之一。作为一个底层的视觉任务,轮廓约束在目标识别、语义分割和运动跟踪等高级视觉任务中有显著的作用。识别轮廓作为人类初级视觉皮层中的一项重要的功能。对于加深对图像中目标的理解以及语义分析和记忆存储等信息加工有极其重要的意义。广泛应用于农业,交通运输,医疗,军事等领域。深度学习技术作为直接从数据中学习特征表示的有效方法,近年来启发轮廓检测领域取得了显著的突破。通过构造端到端的深度卷积神经网络对目标轮廓进行监督学习,是近年来轮廓检测任务的主要方法。本文基于深度学习中卷积神经网络模型,针对自然图像轮廓检测的相关方面进行了深入的研究,主要贡献包括如下几个方面:1)针对传统强化网络在特征解码和特征融合能力上的问题,基于编码-解码结构的思想提出了深度强化网络。该网络由多层含有多个强化模块的部分组成。相比于传统的强化网络,深度强化网络具有更好的特征表达能力和优秀的轮廓的“精确性”性能。2)针对传统加权交叉熵代价函数和戴斯系数在多人标注样本中信息提取不充分问题,通过把多人标注的样本转换成二分类权重,本文提出改进的交叉熵和改进的戴斯系数代价函数。该方法解决了传统代价函数不能充分利用多人标注的标签问题。实验表明,基于改进的交叉熵代价函数能提高网络的“精确性”,基于改进的戴斯系数代价函数能提高网络的预测“细致性”。3)针对多代价函数直接结合中权值分配不均衡问题,基于纳什均衡的思想,提出了自适应代价函数。该代价函数通过两个相互博弈的代价项,使得交叉熵函数和戴斯系数能保持平衡。同时能减少超参,提高轮廓检测性能。在“精确性”和“细致性”的平衡上做出相对优秀的权衡。
【图文】：

轮廓检测,时间轴,图像识别,算法

像识别框架（时间轴下方）和卷积神经网络的轮廓检测算法（时间轴上方）-1 Milestones of recognition (below the timeline) and contour detection (above the深度学习中最适合视觉任务的算法，CNN 在人工视觉的多项任务方 1-1 列出了适用于目标识别的 CNN 网络结构（时间线下方）和基算法的时间节点（时间线上方）的几个关键节点。其中，以 HED[50]为学习的轮廓检测算法可分为两个阶段：（1）基于局部区域的轮廓检于全局端到端的轮廓检测算法。局部区域的轮廓检测算法：在基于局部区域的轮廓检测算法中，CN块的特征提取器。其中，N4-field[47]、DeepContour[49]和 DeepEdge[48的算法的三个主要步骤如下：（1）提取以像素为中心的相同大小的图在图像块中提取特征; （3）通过将提取的特征与手动标记的实际轮图像块的相应像素的轮廓概率。来自与 ImageNet 挑战比赛[68]中 CNN 图像识别任务突破性进步的启 AlexNet[41]和最邻近搜索，提出了基于 CNN 的轮廓检测算法：N4-

对比度,亮度,图像识别,编码网络

图 2-1 原始图像和其通过剪裁，旋转，亮度和对比度变换后的样例Figure 2-1 Image and its transformation by random cropping, rotation, brightness and contrast2.3 卷积神经网络2.3.1 编码-解码结构卷积神经网络是一种深层前馈神经网络模型，最初是为解决图像识别等问题设计的。对于图像识别任务，我们可以把卷积神经网络视为一个从图像到特征的编码器，，该编码器把图像编码成特征向量（矩阵），经过分类层进行图像识别：= ( ( )) (2-1)其中，表示一个卷积神经网络，为图像分类成层。图像进过编码网络（或者说是卷积神经网络）获取特征，随后通过一个 softmax 函数把特征变成目标类别的概率大小，以此获得图像类别。然而，轮廓检测是一个像素级的分类任务，这意味着图像中的每一个像素点都会
【学位授予单位】：广西科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183

【相似文献】