基于全卷积网络改进的图像语义分割应用研究

发布时间：2021-12-28 07:22

　　在大数据时代,互联网图像资源的数量飞速增长,针对这些图像进行相应处理的技术已成为一个值得关注的问题。而应用广泛的图像分割技术是图像处理中的主要难点。近年来,深度学习技术的特征提取性能使得其在计算机视觉处理、图像检测、图像语义分割等领域有着重要的研究价值和广泛的使用。卷积神经网络﹙CNN﹚是深度学习的一个模型,该模型在图像处理方面表现良好。而近年来新提出的全卷积神经网络（FCN）是对卷积神经网络的一个改进结构。全卷积网络FCN相比于传统的卷积神经网络具有其独特的优势,在结构上与卷积神经网络的结构有相似部分,但是全卷积神经网络中实现了全卷积化,将全连接层变成了卷积层,还包含上采样层等独特的网络结构。全卷积网络能够预测每个像素点的语义标签,实现像素级别的图像语义分割,同时实现端到端的输出。故而可以很好的解决很多图像检测、分割的问题。相对于传统神经网络有明显的优点。本文探究了全卷积神经网络（FCN）和卷积神经网络（CNN）的实现原理,并且通过对比得出全卷积神经网络（FCN）的优势所在。论文主要研究全卷积神经网络在图像分割领域的应用,提出了一种基于已有卷积神经网络进行全卷积改进的网络结构,使其符... 

【文章来源】：南京邮电大学江苏省

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

神经元模型

多层神经网络模型

图 2.3 FCN 结构模型卷积层与全连接层的区别在于：卷积是对局部区域的运算，可以处理不同大小的图像，而全连接层是对所有输入进行了完全的连接，只能处理固定大小的图像。但卷积和全连接其实都是点乘运算操作，数学本质还是一样的。如果把卷积的作用范围扩大为何全连接层一样，就可以实现全连接层的功能。所以卷积层和全连接层的相互转化是可行的。具体举例说明如下：在 AlexNet 中，第六层是输入为 256x6x6 的全连接层，对于这个全连接层，只要将它换为卷积核大小为 6x6 的卷积就可以实现相同功能了。在 AlexNet 中的其他几层全连接层也可以通过类似的方法转化为卷积层。在全连接层和卷积层的互相转化中，将全连接层变化为卷积层更加有优势。因为全连接层要求固定的输入同时会带来大量的网络参数。关于全卷积神经网络中部分结构的功能解释如下：2.3.1 卷积层

【参考文献】：
期刊论文
[1]三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类[J]. 李竺强,朱瑞飞,高放,孟祥玉,安源,钟兴.  光学学报. 2018(08)
[2]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)
[3]结合深度学习与条件随机场的遥感图像分类[J]. 夏梦,曹国,汪光亚,尚岩峰.  中国图象图形学报. 2017(09)
[4]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)
[5]基于深度全卷积神经网络的文字区域定位方法[J]. 骆遥.  无线互联科技. 2016(23)
[6]基于深度卷积神经网络的服装图像分类检索算法[J]. 厉智,孙玉宝,王枫,刘青山.  计算机工程. 2016(11)
[7]基于全卷积网络的场景文本检测[J]. 贺通姚剑.  黑龙江科技信息. 2016(17)



本文编号：3553669