毕业论文--基于反卷积神经网络的图像语义分割

《毕业论文--基于反卷积神经网络的图像语义分割》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、毕业论文论文（设计）题目:基于反卷积神经网络的图像语义分割姓名学号学院山东大学软件学院专业数字媒体技术年级指导教师2016年5月15日22本科毕业论文目录摘要2ABSTRACT3第1章绪论41.1图像语义分割的背景41.1.1人类视觉与语义分割41.1.2图像语义分割技术51.2国内外研究现状61.3本文解决的主要问题81.4本文的主要工作91.4.1训练多层的反卷积神经网络模型91.4.2改用物体图像作为训练集101.4.3将DeconvNet与FCN有机结合101.5论文的组织结构11第2章神经网络的系统架构122.1神经网络整体架构概览122.2神经网络卷积部分详述122.2.1局部

2、感受野132.2.2权值共享142.2.3池化142.3神经网络反卷积部分详述152.3.1反池化层152.3.2反卷积层162.3.3分析反卷积神经网络16第3章神经网络的训练过程193.1批量归一化技术193.2训练的两个阶段203.3神经网络的分层配置参数223.4训练集的配置223.4.1训练集选择223.4.2训练集结构233.5神经网络的迭代优化过程23第4章优化图像语义分割结果254.1叠加实例级别的分割图254.2与全卷积网络的分割结果有机结合26第5章实验结果比较及评估27第6章结论与展望29致谢30参考文献31附录1英文原文33附录2译文3740山东大学本科毕业论文40

3、山东大学本科毕业论文基于反卷积神经网络的图像语义分割摘要随着互联网以及多媒体技术的井喷式发展，各种存储形式的数字图像信息每天都以惊人的速度增长着。面对海量的图像信息，如何更好的分析和理解它们，就成为数字图像处理研究领域一个迫切需要解决的问题，而图像语义分割技术的出现，为解决这个问题提供了一个突破口。本文提出了一种通过反卷积神经网络来对图像进行语义分割的算法。该神经网络主要分为两部分，第一部分是特征提取神经网络，包含卷积层和池化层，主要用于提取输入图像的特征，最后输出图像的多维特征表示；第二部分是结构与之对称的图像分割神经网络，包含反卷积层和反池化层，利用从第一部分输出的图像多维特征，预测图

4、像的分割区域，从而获得像素级别的图像分割图。这种神经网络通过整合反卷积神经网络，替代了全卷积网络中较为简陋的双线性插值算法，从而提高了图像语义分割结果的精度，更好地还原物体结构细节；同时改变全卷积网络中通过固定接受域进行语义分割的做法，运用包围盒技术，对图像中每个预期物体分别进行语义分割，一定程度上克服全卷积网络在处理不同尺寸物体时的限制，保证整个神经网络可以处理各种尺寸的物体。最后，我们还提出一种算法，将全卷积网络分割结果与反卷积网络分割结果相互结合，充分利用两种神经网络各自的优势，从而获得了更高的语义分割精确度。我们使用PASCALVOC2012数据集对反卷积神经网络进行训练和测试，最

5、终的测试结果证明，与全卷积网络相比，通过反卷积网络进行图像语义分割可以获得更高的分割精度和更好的分割效果。关键字：计算机视觉；图像语义分割；反卷积神经网络；40山东大学本科毕业论文ABSTRACTWiththerapiddevelopmentofinternetandmulti-mediatechnology,digitalimageinformationofallkindsofstorageformatisincreasingataveryamazingspeed.Facedwithsuchlargequantitiesofimageinformation,howtoanalyseand

6、understandthembetterhasbecomeanurgentquestionneedstobesolved.Whiletheuseofimagesemanticsegmentationtechnologyhasprovidedabreakthroughtosolvetheproblem.Thisthesisproposesanovelsemanticsegmentationmethodbylearningadeconvolutionneuralnetwork.Thisneuralnetworkiscomposedoftwoparts:onepartoftheneuralnet

7、workcorrespondstofeatureextractorthattransformstheinputimagetomultidimensionalfeaturerepresentation,whereastheotherpartisashapegeneratorwhichproducesobjectsegmentationfromthefeatureextractedfromthefirstpart.Thepr