基于特征增强的物体检测分割方法研究
发布时间：2021-12-12 06:41
人工智能目前是一个比较热门的领域,在生活中有许多实际的应用场景,发展空间也是相当大,一些方向比如检测识别图像、分割图像等任务也受到了许多的关注。本文主要通过特征增强的方式来改进检测和分割网络的性能。具体来说,通过改进网络结构来改善检测分割性能,检测方面,有通过角点检测的方式来得到候选框,存在的性能瓶颈主要是角点检测这块,通过边缘检测的分支,因为角点的确定是通过边缘,那么通过在训练时候增加的边缘检测分支可以进一步提高角点检测的准确性。在语义分割方面,一般是通过引入语义信息更强的深层输出即高层信息来引导底层信息通过跳过连接传到高层部分的信息,但是仍然存在一些缺陷,没有考虑到底层和高层信息的域差异问题,本文通过域转换的方式,在特征融合之前,将底层的特征域向高层的特征域转换,最后达到去除底层细节信息带来的噪声问题。本论文在公开的COCO数据集以及PASCAL VOC和Cityscape上做实验,验证了特征增强在上述两个方向上的有效性。本文深入研究了特征增强在不带来太多计算量的同时,对性能较好的模型带来的性能提升。本论文进一步研究了组合检测和分割进行实例分割的问题,提出了一种加入GRU模块的简单...
【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】：60 页
【学位级别】：硕士
【部分图文】：
图１－１?Ｆａｓｔｅｒ?ＲＣＮＮ网络结构图??Ｒ－ＣＮＮ?［１］网络一出．习法进取，??
?．哈尔＿：ｒ业太学谓颗；论丈???器人导航和精准农业等人工智能领域具有广泛的应用前景＾近年来，快速发展??的深度卷积神经网络（ＣＮＮ）?［２Ｑ＿２９］大大提高了语义分割的性能。作为开创性的??工作［３６］，Ｌｏｎｇ等人提出完全卷积网络（ＦＣＮ）进行语义分割，如图１－２所示，??其中ＦＣＮ通过使用编码器模型逐步降低空：间分辨率的方法提取语义信息，词时??通过在解码器模型中上采样恢复分辨率的操作。即使ＦＣＮ的编码器模型可以学??习高级语义条信息，由于分辨率降低，它丢弃了大量空间细节宿息，从而导致??不准确的分割结果，尤其是在物体的边界上。为了解决上述何题，最近提出了??—些方法引入了一个或几个跳过连接模块来将编码器连接到解码器模型，例如??Ｕ－Ｎｅｔ—和?ＤｅｅｐＬａｂｖ３＋［？＞］。这种跳过连接模块可以融合编码器提供的底层特征??和解码器具有的高层特征，从而提高了分割性能，通过将高分辨率空间细节引??入低分辨率语义特征。??同时公开了数据集如?Ｍａｐｉｌｌａｒｙ?Ｖｉｓｔａｓ［３５］，ＰＡＳＣＡＬ－Ｃｏｎｔｅｘｔ問，ＡＤＥ２〇Ｋ間，??ＣＯＣＯ－Ｓｔｕｆｆ?１０Ｋ［３３］，Ｃｉｔｙｓｃａｐｅｓ間等进一步推动了语义分割的进展。由于网络??结构中还有全连接层，仍然有很大的提升空间，ＡｌｅｘＮｅｔ［３７］，ＶＧＧＮｅｔ［３８］和??ＧｏｏｇＬｅＮｅｔ＾Ｉ通过将分类网络转为全卷积的网络，即网络结构中无全连接层，??如图１－２所示，至此将语义分割的问题转化成为端到端的学习预测问题，基于??卷积神经网络也就成为分割网络的主流。??Ａ?ｆｏｒｗａｒｄ??图１－２全卷积网络??Ｌｏｎｇ等首先成功地将深度卷积应用于语义分割任
?．哈尔＿：ｒ业太学谓颗；论丈???只是跳过连接效果不明Ｍ，所以使用语义嵌入分支（ＳＥＢ）用来提供更多的底戻??信息到高层信息中去。另外，上下文的信息和多尺度的特征也可以用来进一步??提升分割性能。并且为了降低像素级的标注成本，最近提出的网络结构有的通??过使用弱监督的信息，比如通过检测框或者图像类别的信息来提升语义分割的??模型的性能。??Ｅｎｃｏｄｅｒ－ｄｅｃｏｄｅｒ?Ｕ－Ｎｅｔ??Ｘ?？?—＊??＊?—＊?—？??？?ｙ?ｘ?＊?—？??？?—？?—＊??？ｙ???？??Ｌｚｒ???？??￣?Ｌｚｒ??图１－３编码器－解码器结构??总的来说，检测和分割的何题不断有新的研究成果，目前仍然是一个比较??有挑战的任务，国内外一直有新的论文发表，所以仍然存在很大的空间可以提??升。．本文的研宄的内容主要可以概括为通过増强特征的方式来改进网络结构来??改善检测分割性能，比如Ｃｏｒｎｅｒｎｅｔ通过角点检测的方式来检测，Ｅｘｆｕｓｅ通过引??入语义信息更强的深层输出来引导底层信息通过跳过连接传到高层部分的信息。??但是仍然存在一些缺陷，比如角点检测的准确率仍然是性能的瓶颈，Ｅｘｆｕｓｅ没??有考虑到底层和高层信息的域差异何题。因此本文中将讨论如何通过增强边缘??检测的能力以及域适应的思路设计研宄方案。??－７?－??
本文编号：3536191
【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】：60 页
【学位级别】：硕士
【部分图文】：
图１－１?Ｆａｓｔｅｒ?ＲＣＮＮ网络结构图??Ｒ－ＣＮＮ?［１］网络一出．习法进取，??
?．哈尔＿：ｒ业太学谓颗；论丈???器人导航和精准农业等人工智能领域具有广泛的应用前景＾近年来，快速发展??的深度卷积神经网络（ＣＮＮ）?［２Ｑ＿２９］大大提高了语义分割的性能。作为开创性的??工作［３６］，Ｌｏｎｇ等人提出完全卷积网络（ＦＣＮ）进行语义分割，如图１－２所示，??其中ＦＣＮ通过使用编码器模型逐步降低空：间分辨率的方法提取语义信息，词时??通过在解码器模型中上采样恢复分辨率的操作。即使ＦＣＮ的编码器模型可以学??习高级语义条信息，由于分辨率降低，它丢弃了大量空间细节宿息，从而导致??不准确的分割结果，尤其是在物体的边界上。为了解决上述何题，最近提出了??—些方法引入了一个或几个跳过连接模块来将编码器连接到解码器模型，例如??Ｕ－Ｎｅｔ—和?ＤｅｅｐＬａｂｖ３＋［？＞］。这种跳过连接模块可以融合编码器提供的底层特征??和解码器具有的高层特征，从而提高了分割性能，通过将高分辨率空间细节引??入低分辨率语义特征。??同时公开了数据集如?Ｍａｐｉｌｌａｒｙ?Ｖｉｓｔａｓ［３５］，ＰＡＳＣＡＬ－Ｃｏｎｔｅｘｔ問，ＡＤＥ２〇Ｋ間，??ＣＯＣＯ－Ｓｔｕｆｆ?１０Ｋ［３３］，Ｃｉｔｙｓｃａｐｅｓ間等进一步推动了语义分割的进展。由于网络??结构中还有全连接层，仍然有很大的提升空间，ＡｌｅｘＮｅｔ［３７］，ＶＧＧＮｅｔ［３８］和??ＧｏｏｇＬｅＮｅｔ＾Ｉ通过将分类网络转为全卷积的网络，即网络结构中无全连接层，??如图１－２所示，至此将语义分割的问题转化成为端到端的学习预测问题，基于??卷积神经网络也就成为分割网络的主流。??Ａ?ｆｏｒｗａｒｄ??图１－２全卷积网络??Ｌｏｎｇ等首先成功地将深度卷积应用于语义分割任
?．哈尔＿：ｒ业太学谓颗；论丈???只是跳过连接效果不明Ｍ，所以使用语义嵌入分支（ＳＥＢ）用来提供更多的底戻??信息到高层信息中去。另外，上下文的信息和多尺度的特征也可以用来进一步??提升分割性能。并且为了降低像素级的标注成本，最近提出的网络结构有的通??过使用弱监督的信息，比如通过检测框或者图像类别的信息来提升语义分割的??模型的性能。??Ｅｎｃｏｄｅｒ－ｄｅｃｏｄｅｒ?Ｕ－Ｎｅｔ??Ｘ?？?—＊??＊?—＊?—？??？?ｙ?ｘ?＊?—？??？?—？?—＊??？ｙ???？??Ｌｚｒ???？??￣?Ｌｚｒ??图１－３编码器－解码器结构??总的来说，检测和分割的何题不断有新的研究成果，目前仍然是一个比较??有挑战的任务，国内外一直有新的论文发表，所以仍然存在很大的空间可以提??升。．本文的研宄的内容主要可以概括为通过増强特征的方式来改进网络结构来??改善检测分割性能，比如Ｃｏｒｎｅｒｎｅｔ通过角点检测的方式来检测，Ｅｘｆｕｓｅ通过引??入语义信息更强的深层输出来引导底层信息通过跳过连接传到高层部分的信息。??但是仍然存在一些缺陷，比如角点检测的准确率仍然是性能的瓶颈，Ｅｘｆｕｓｅ没??有考虑到底层和高层信息的域差异何题。因此本文中将讨论如何通过增强边缘??检测的能力以及域适应的思路设计研宄方案。??－７?－??
本文编号：3536191
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3536191.html
