基于深度学习的弱监督图像分割方法研究

发布时间：2021-06-26 06:38

　　图像分割技术作为其他图像处理方法的基础,一直是计算视觉研究的热点与难点,其在场景解析、自动驾驶等领域发挥着重要的作用。随着人工智能的兴起,基于深度学习的图像分割方法与早期方法相比有了质的飞越。现有基于深度卷积神经网络的全监督图像分割方法均需要大量的像素级标注来提升分割准确率。因此该类方法需要耗费大量的时间和经济代价来获取像素级标注,从而制约分割性能的进一步提升和模型的泛化能力。为解决这一问题,国内外很多学者尝试放宽标注的精确度,提出基于图像级标注的弱监督图像分割方法。图像级标注只包含图像的类别信息,对于目标的位置、轮廓等信息无任何指导性。本文从该研究的重点和难点入手,针对1)如何利用图像级标注获取目标的位置信息;2)如何获取目标的轮廓/形状先验;3)如何利用图像级标注训练分割网络等问题展开深入的研究,各部分研究内容及创新工作如下:针对传统图像分割方法只利用图像底层特征,缺乏形状先验造成分割结果不理想的问题,提出基于形状先验的图像前景目标分割方法。该方法首先提出使用形状的线性表示和FDCM（fast directional chamfer matching）形状匹配算法生成更加准确的且具... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：138 页

【学位级别】：博士

【部分图文】：

目标轮廓及超像素

图像语义分割是对图像分割技术的一种提升。与传统图像分割相比,语义分割需要为图像分割出的目标或前景赋予预先定义的语义标签,从而实现图像高层抽象语义信息表达的任务。随着人工智能技术迅猛发展,深度卷积神经网络模型在图像语义分割任务中也取得了较大的进步。本节将详细介绍深度卷积神经网络的发展现状;然后介绍全监督条件下基于深度卷积神经网络的语义分割各方法的优缺点;最后给出弱监督条件下的语义分割方法研究现状。1.3.1 深度卷积神经网络简介

深度卷积神经网络(deep convolutional neural network,DCNN)是众多深度神经网络中应用最广泛的一种,受生物视觉的认知机制启发而生,在计算机视觉问题上表现出优秀的性能。1989年,LeCun等人确定了卷积神经网络的结构,并且应用到手写字符识别中。DCNN是包含卷积运算的前馈神经网络,通常由输入层、卷积层、池化层、全连接层及输出层构成[68],而卷积层、池化层、全连接层被称为隐含层。DCNN由输入层输入数据,通过卷积层的共享权重进行卷积特征提取,输出给池化层并进行池化运算,逐步得到各层特征,最后经由全连接层和输出层做针对任务的特征映射,其网络结构如图1-4。卷积层(convolutional layer)为DCNN的核心,每个卷积层由若干个卷积核构成,而卷积核的参数可以通过反向传递算法优化得到。假设第l卷积层的特征输入为xl-1,卷积核为kl,那么经过卷积运算输出的第j个通道的特征为:

【参考文献】：
期刊论文
[1]基于深度学习的场景分割算法研究综述[J]. 张蕊,李锦涛.  计算机研究与发展. 2020(04)
[2]基于深度学习的图像语义分割方法综述[J]. 田萱,王亮,丁琪.  软件学报. 2019(02)
[3]基于局部-全局一致性学习的弱监督人手分割[J]. 谢志坚,李寅霖,郑碎武.  计算机应用与软件. 2019(01)
[4]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬.  自动化学报. 2018(03)
[5]面向大规模图像分类的深度卷积神经网络优化[J]. 白琮,黄玲,陈佳楠,潘翔,陈胜勇.  软件学报. 2018(04)
[6]深度学习认知计算综述[J]. 陈伟宏,安吉尧,李仁发,李万里.  自动化学报. 2017(11)
[7]深度学习在高光谱图像分类领域的研究现状与展望[J]. 张号逵,李映,姜晔楠.  自动化学报. 2018(06)
[8]深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺,龚怡宏,王进军.  计算机学报. 2019(03)
[9]面向知识自动化的自动问答研究进展[J]. 曾帅,王帅,袁勇,倪晓春,欧阳永基.  自动化学报. 2017(09)
[10]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃.  自动化学报. 2017(08)



本文编号：3250832