基于卷积神经网络的图像语义分割

发布时间：2017-04-09 03:24

  本文关键词：基于卷积神经网络的图像语义分割，，由笔耕文化传播整理发布。

【摘要】：近年来,深度学习的发展非常迅速,计算机视觉领域的发展也随之迎来一波热潮。深度卷积神经网络已经被证实是计算机视觉领域非常有效的手段和方法。同时,在日常生活中,无论是物品的识别检测,还是视频监控流数据分析都离不开计算机视觉。而图像语义分割被认为是计算机视觉领域最基本的算法,图像语义分割的好坏直接决定了后续算法分类或者识别的优劣。因此,一个有效的图像语义分割算法的实现和应用具有非常重要的现实意义。传统的图像分割方法大部分是基于图像本身的特征提取,需要先在图像上生成不同的区域,再在区域上提取特征,对区域进行分类合并才能得到最终语义分割的结果,过程比较复杂,并且效果也有很大的提升空间。因此,人们对提高图像语义分割算法的效率和效果是具有现实需求的。那么,随着深度学习持续升温,并且实践中证明深度卷积神经网络对图像特征的提取具有很大的优势。因此,如何将卷积神经网络应用到图像语义分割并提高图像语义分割算法的效果是当前一大研究热点。本文充分调研相关工作之后,将卷积神经网络应用到了图像语义分割领域,构建并实现了卷积神经网络和反卷积层神经网络相结合的深度神经网络结构,直接对图像在像素水平上进行预测其所属的语义类别。采用两阶段的模型训练方法,进一步优化结果和算法效率。通过与经典算法的对比实验,说明该方法的有效性。最终将该算法模型应用到了医学图像分析(用于心脏病变的检测)和人体衣物分割(用于穿衣搭配)领域,均取得了较好的效果。
【关键词】：图像语义分割 卷积神经网络 深度学习 反卷积
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TP183
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-17
• 1.1 课题背景11-13
• 1.2 本文的工作与贡献13-15
• 1.3 本文组织和结构15-17
• 第2章 相关工作17-32
• 2.1 图像语义分割17-25
• 2.1.1 概述17
• 2.1.2 图像分割技术常用方法17-21
• 2.1.3 图像语义分割21-23
• 2.1.4 人体衣物图像分割23-25
• 2.1.5 医学图像分析研究现状25
• 2.2 深度卷积神经网络25-29
• 2.2.1 深度学习概述25-26
• 2.2.2 卷积神经网络发展26-28
• 2.2.3 卷积神经网络基本结构28-29
• 2.3 卷积神经网络在图像语义分割领域的应用29-31
• 2.3.1 概述29
• 2.3.2 卷积神经网络在图像语义分割领域的应用29-31
• 2.3.3 总结31
• 2.4 本章小结31-32
• 第3章 问题描述32-37
• 3.1 常用术语与符号32-33
• 3.2 问题定义33-35
• 3.3 实现难点35
• 3.4 预期目标35-36
• 3.5 本章小结36-37
• 第4章 基于卷积神经网络的图像语义分割37-50
• 4.1 算法概述37-38
• 4.2 深度卷积网络结构38-40
• 4.3 卷积层与反卷积层40-45
• 4.4 网络结构和结果的优化45-49
• 4.4.1 防止过拟合45-46
• 4.4.2 Pre-training二阶段训练方法46-47
• 4.4.3 卷积层反卷积层Batch normalization47-48
• 4.4.4 模型融合48-49
• 4.5 本章小结49-50
• 第5章 基于CNN的图像语义分割应用50-60
• 5.1 图像分割的应用50-51
• 5.1.1 医学影像50-51
• 5.1.2 穿衣搭配51
• 5.2 基于CNN的图像语义分割在医学图像分析中的应用51-56
• 5.2.1 概述51-52
• 5.2.2 比赛描述52-53
• 5.2.3 心脏轮廓识别的具体应用与实现53-55
• 5.2.4 结果展示和说明55-56
• 5.3 基于CNN的图像语义分割在穿衣搭配中的应用56-59
• 5.3.1 概述56-57
• 5.3.2 人体衣物图像分割的具体实现57-58
• 5.3.3 结果展示和分析58-59
• 5.4 本章小结59-60
• 第6章 对比实验结果60-67
• 6.1 实验配置60-62
• 6.1.1 运行环境60
• 6.1.2 实验数据描述60-62
• 6.1.3 实验对比算法62
• 6.1.4 评判指标62
• 6.2 实验过程和步骤62-64
• 6.3 实验结果与分析64-66
• 6.4 本章小结66-67
• 第7章 总结和展望67-70
• 7.1 本文工作总结67-68
• 7.2 未来研究工作68
• 7.3 本章小结68-70
• 参考文献70-76
• 攻读硕士学位期间主要的研究成果76-77
• 致谢77

【相似文献】

中国期刊全文数据库 前10条

1 李倩倩;阳爱民;李心广;;图像语义的图形化标注和检索研究[J];计算机应用与软件;2008年12期

2 时慧琨;;一种利用用户反馈日志获取图像语义标注方法[J];通化师范学院学报;2010年12期

3 郭海凤;张盈盈;李广水;韩立新;;基于社会网络的图像语义获取研究综述[J];计算机与现代化;2014年01期

4 石跃祥;朱东辉;蔡自兴;B.Benhabib;;图像语义特征的抽取方法及其应用[J];计算机工程;2007年19期

5 孙季丰;袁春林;邱卫东;余英林;;一个具有图像语义的物体分类系统的实现[J];科学技术与工程;2008年03期

6 王妍宁;郭雷;方俊;;一种新的图像语义自动标注模型[J];计算机工程与应用;2011年07期

7 李晓雅;;浅析计算机图像语义的识别应用技术[J];知识经济;2012年09期

8 李大湘;赵小强;李娜;;图像语义分析的多示例学习算法综述[J];控制与决策;2013年04期

9 林春漪;马丽红;尹俊勋;陈建宇;;基于多层贝叶斯网络的医学图像语义建模[J];生物医学工程学杂志;2009年02期

10 魏晗;李弼程;张瑞杰;唐永旺;;图像语义提取方法研究[J];现代电子技术;2011年24期

中国重要会议论文全文数据库 前3条

1 张杨;房斌;徐传运;;基于本体和描述逻辑的图像语义识别[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（上册）[C];2009年

2 叶剑烨;谢祖铭;周向东;张亮;施伯乐;;一种新的图像语义自动标注方法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 王伟强;付立波;高文;黄庆明;蒋树强;;一种基于笔画特征的叠加文字检测方法[A];全国网络与信息安全技术研讨会论文集（下册）[C];2007年

中国博士学位论文全文数据库 前9条

1 赵永威;图像语义表达与度量学习技术研究[D];解放军信息工程大学;2016年

2 南柄飞;基于视觉认知机理的图像语义内容获取研究[D];北京科技大学;2016年

3 陈久军;基于统计学习的图像语义挖掘研究[D];浙江大学;2006年

4 于永新;基于本体的图像语义识别和检索研究[D];天津大学;2009年

5 李晓燕;海量图像语义分析和检索技术研究[D];浙江大学;2009年

6 林春漪;基于混合贝叶斯网络的医学图像语义建模及其检索的研究[D];华南理工大学;2006年

7 许红涛;Web图像语义分析与自动标注研究[D];复旦大学;2009年

8 鲍泓;基于视觉感知的中国画图像语义自动分类研究[D];北京交通大学;2012年

9 王梅;基于多标签学习的图像语义自动标注研究[D];复旦大学;2008年

中国硕士学位论文全文数据库 前10条

1 甄健华;图像语义自动标注过程研究[D];河北师范大学;2015年

2 杨雪;基于纹理基元块的图像语义分割[D];西南科技大学;2015年

3 张智慧;基于本体的图像语义检索研究[D];西南科技大学;2015年

4 高瞰;社会化媒体中的图像语义理解[D];华北电力大学;2015年

5 王行行;面向检索的鞋底花纹图像语义表达算法研究[D];大连海事大学;2015年

6 罗世操;基于深度学习的图像语义提取与图像检索技术研究[D];东华大学;2016年

7 陈鸿翔;基于卷积神经网络的图像语义分割[D];浙江大学;2016年

8 赵鹏坤;基于属性约简的图像语义自动标注方法[D];太原科技大学;2015年

9 邓姜平;基于场景分类的图像语义自动标注及检索的研究[D];湖南大学;2015年

10 梁欢;基于深度学习的图像语义理解研究[D];重庆大学;2016年

  本文关键词：基于卷积神经网络的图像语义分割，由笔耕文化传播整理发布。

本文编号：294364