基于多精细尺度损失函数的足迹分割

发布时间：2020-06-06 15:34

【摘要】：足迹作为案件现场常见的犯罪痕迹之一,其分割结果有利于提取足迹的信息,获取揭露和证实犯罪的证据,进而提高刑事案件的破案率。然而,由于足迹本身包含丰富的多尺度特征,以及犯罪现场环境的复杂性造成的足迹残缺、结构破损等问题,使得相关工作进展缓慢。近年来,随着深度学习方法的发展,自然图像的分割算法却发展迅猛,其分割结果不断在提升。本文主要目的是通过借鉴解决自然图像的分割算法,并结合足迹图像独有的特点,设计出适应于足迹分割的模型,进而解决足迹分割问题。在全卷积网络的基础上,通过将跳层结构和损失函数结合到网络结构的底层,即具备高分辨率、小感受野的层,获取对应的小尺度的特征,这里称这样的层为低尺度层,提取到的特征叫作低尺度特征,从而分别构造出基于低尺度跳层结构和多尺度损失函数的足迹分割模型。并通过融合局部多个感受野下特征生成对应尺度特征,进一步丰富网络在各个尺度上的特征提取能力,构造出最终的多精细尺度损失函数的足迹分割模型。低尺度跳层结构模型在测试集上,平均准确率和平均覆盖率分别达到40.40%和31.99%。多尺度损失函数通过引入损失函数,加强网络多尺度特征表示能力,将平均准确率和平均覆盖率大幅度的提升到了86.18%和32.12%。最后通过改变网络各个尺度上的拓扑结构,多个感受野下特征的融合作为单尺度特征,最终将平均准确率和平均覆盖率提升到90.83%和33.17%。实验结果表明,本文算法能够分割出精准的足迹,保留足迹大量的精细结构特征,并在更大的数据集上具备鲁棒性。
【学位授予单位】：大连理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：D919;TP391.41

【参考文献】