基于包围盒半监督的图像语义分割

发布时间：2020-09-15 19:17

　　 随着工业自动化和人工智能的发展,图像语义分割技术的应用前景也越来越广泛。如何能够高效,准确的分割图像中的不同语义像素,近年来成为相关工业领域急需解决的一个技术难点。深度卷积神经网络(DCNN)在语义分割领域已经取得了极大突破,使得语义分割成为可能。目前,语义分割存在几大挑战,其中最为突出的就是像素级标签样本获取困难和模型精度低的问题,本文也将针对这两个问题进行研究。针对像素级标签样本获取困难的问题,本文提出弱化模型对像素级强标签样本过度依赖的设计思想。因为图像语义分割的训练样本需要进行像素级别的打标,而像素级别打标样本的获取代价是巨大的,与之相反的包围盒标签样本的获取却要容易的多,所以采用包围盒弱标签样本的半监督学习,对于语义分割具有很大的意义。为此,本文研究了在像素级强标签减少时,通过包围盒弱样本补充来保证半监督学习的模型分割性能。实验结果验证了当包围盒标签转化获得的粗略像素级标签准确度较好时,用该弱样本完全可以补充强样本减少带来的损失,并且当弱样本数足够多时,还可以实现半监督模型性能的提升。针对半监督模型精度低的问题,本文提出一种新的方法来细化包围盒标签。在包围盒半监督领域中,主要的挑战是如何细致地将包围盒标签转化为更加精确的粗略像素级标签。为此,本文提出了一种采用迭代挖掘清洗和探测修复包围盒弱标签的方法,可以将包围盒标签更加细致地转化为粗略像素级标签。将训练数据中的弱标签应用更加细致的标签来不断地更新,然后和像素级强标签样本结合来共同训练DCNN模型,每一次更新并训练产生新的模型,并用此挖掘包围盒弱样本中的信息,经过清洗和探测修复之后继续更新之前的弱样本标签。实验结果表明,通过不断的细化包围盒弱样本的标签可以使模型的分割性能不断地提高。在PASCAL VOC 2012标准数据集上的实验结果,验证了本文方法在半监督语义分割中的有效性,尤其适用于像素级强标签样本较少的情况。
【学位单位】：西安理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP183
【部分图文】：

即将每一个像素都分配一个类别标签（例如，飞机，人，马等）。如图1-1 所示，是语义分割的结果示例，不难发现其能准确地分割出不同类别目标的边缘像素信息。图像语义分割是一个精细的自然推理过程，根据输入图像中物体及像素的位置和上下文信息，提取其特征，精确定位不同类别物体的位置，为图像中的每一个像素分类。目前，图像语义分割是机器学习和人工智能领域非常活跃的一个研究方向，并在很多领域具有广泛的应用价值[1]。例如，在自动驾驶领域，通过对车辆前方场景的语义分割可以对场景中的道路、车体和行人等物体信息进行精确定位，从而提升自动驾驶的安全性[1]；在机器人服务领域，当家庭清洁机器人要进行全方位清洁时，需要精确定位待清洁目标物件的边缘位置等信息。(a)原图(b)分割结果图 1-1 语义分割示例Fig. 1-1 Semantic segmentation diagram近年来,深度卷积神经网络[2,3,4,5,6,7,65](Deep Convolutional Neural Network，DCNN) 的出现，极大的推动了图像语义分割的发展[8,9,10,11,12,13,14,15]，使其分割性能得到了大幅提高。然而，深度卷积神经网络的训练需要大量的标签样本，而且图像语义分割需要的标签样本是像素级别的。如图 1-2(b)所示，此即为图 1-2(a)原图对应的人工打标的像素级标签。人工打标这样级别的标签

西安理工大学硕士学位论文的包围盒级别打标要比其像素级打标快 15 倍。图 1-2(c)即为图 1-2(a)对应的包围。由于对目标包围的矩形框，并不是准确的目标像素标签，其中还含有较多其它，故称此为弱标签。但是其具有打标速度快，成本低的优点，所以应用价值巨大在保证语义分割性能的同时，采用少量的强标签（像素级）样本和大量的弱标签）样本，训练一个可精确进行语义分割的模型，成为研究人员关注的一个重要研

1 绪论bles）和点[45]等四种类型给出，如图 1-3 是不同类型的标签图。根据用于样本的不同，监督学习的形式又被分为强监督学习，半监督学习和弱监督训练样本标签都为强（像素级）标签的是强监督学习[8,46,47,48,49,50]，训练样标签的是弱监督学习[35,36,38]，训练样本标签由少量强标签和大量弱标签组习[39,40,41]。本文主要将研究重点聚焦在基于包围盒的半监督学习上，期望达到或接近在同等条件下的强监督学习的性能。(a)原图 (b)像素标签 (c)包围盒

【相似文献】

相关期刊论文 前10条

1 陈华;;确定任意形状物体最小包围盒的一种方法[J];工程图学学报;2010年02期

2 陈婵娟;康宝生;冯筠;;一种新的基于内包围盒技术的光线跟踪加速算法[J];西北大学学报(自然科学版);2010年03期

3 范晓磊;谭桂臻;;混合包围盒碰撞检测算法的研究[J];科技信息;2007年10期

4 泥宗涛,余英林;基于分层包围盒的连续碰撞检测加速算法[J];计算机工程与应用;2000年10期

5 和克智;用包围盒法生成圆弧[J];计算技术与自动化;1996年02期

6 卫星;韩江洪;;基于布尔搜索的空间目标分布最小包围盒规划[J];华南理工大学学报(自然科学版);2016年05期

7 李辉;刘毅飞;;求凸多边形最小面积包围盒算法的比较[J];中国科技信息;2013年19期

8 闫方举;杨卫平;刘培顺;井维华;;混合包围盒碰撞检测算法的优化研究[J];电脑知识与技术;2011年28期

9 朱元峰;孟军;;一种基于混合包围盒结构的实时碰撞检测的有效方法(英文)[J];系统仿真学报;2008年19期

10 王伟;;轴对齐包围盒算法的研究[J];网络安全技术与应用;2013年10期

相关会议论文 前10条

1 魏开平;夏天;沈显君;;一种基于固定方向凸包的分层包围盒碰撞检测算法及其应用[A];第二届和谐人机环境联合学术会议(HHME2006)——第2届中国人机交互学术会议(CHCI'06)论文集[C];2006年

2 王锐;许高峰;华炜;彭群生;鲍虎军;;实体网格模型的变分层次有向包围盒构建[A];中国计算机图形学进展2008--第七届中国计算机图形学大会论文集[C];2008年

3 刘彬;孙永;高明;马克;李晓诗;;基于OpenGL三维拾取技术研究[A];中国地理信息系统协会第四次会员代表大会暨第十一届年会论文集[C];2007年

4 王濵;张定华;黄魁东;李明君;张亮;;基于多核架构的锥束CT自适应快速重建技术[A];全国射线数字成像与CT新技术研讨会论文集[C];2012年

5 罗飞雄;黄跃峰;钟耳顺;;虚拟全球地形环境中实时碰撞检测和响应(英文)[A];中国测绘学会第九次全国会员代表大会暨学会成立50周年纪念大会论文集[C];2009年

6 霍星;檀结庆;;基于特征向量的三维模型检索[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

7 周之平;张飒兵;吴介一;;一种判定一般多边形相交的快速算法[A];几何设计与计算的新进展[C];2005年

8 郭帅;刘波;张鑫;;基于三角网格的离散曲面求交技术研究[A];北京力学会第二十五届学术年会会议论文集[C];2019年

9 严宗睿;张为民;孙向军;;海军合同战术仿真系统中的碰撞检测算法[A];全国第20届计算机技术与应用学术会议(CACIS·2009)暨全国第1届安全关键技术与应用学术会议论文集（下册）[C];2009年

10 韩晓霞;万华根;周智华;;高度复杂拟凸体的实时触觉绘制[A];中国计算机图形学进展2008--第七届中国计算机图形学大会论文集[C];2008年

相关博士学位论文 前6条

1 甘建红;肿瘤生长过程形态模拟及相关技术研究[D];西南交通大学;2009年

2 王yN;虚拟现实中碰撞检测关键技术研究[D];吉林大学;2009年

3 魏迎梅;虚拟环境中碰撞检测问题的研究[D];中国人民解放军国防科学技术大学;2000年

4 谢倩茹;面向虚拟手术的碰撞检测和软组织仿真技术研究[D];西北大学;2013年

5 郁松;3D虚拟现实内镜手术仿真关键技术研究[D];中南大学;2011年

6 陆济湘;三维物体建模和场景构造技术研究[D];华中科技大学;2010年

相关硕士学位论文 前10条

1 黄玉岩;基于包围盒半监督的图像语义分割[D];西安理工大学;2019年

2 汪磊;虚拟装配中装配路径自动规划的研究与实现[D];武汉理工大学;2018年

3 张涵;基于Ellipsoid包围盒的光子剂量场分析方法研究[D];华北电力大学(北京);2018年

4 谢斌斌;基于包围盒的碰撞检测技术的研究[D];哈尔滨工程大学;2015年

5 谢伟超;复杂环境下混合包围盒碰撞检测算法研究[D];江西理工大学;2018年

6 钟李涛;基于多精度网格的布料仿真技术研究[D];西南交通大学;2018年

7 唐源皓;基于质点转换和包围盒的混合碰撞检测算法的研究与应用[D];西南交通大学;2018年

8 范晓磊;混合包围盒碰撞检测算法研究[D];青岛大学;2007年

9 林小彬;基于混合式包围盒的碰撞检测算法的研究与实现[D];华南理工大学;2015年

10 李梦怡;基于递进相交包围盒的碰撞检测算法研究[D];兰州交通大学;2015年

本文编号：2819357