基于全空洞卷积神经网络的图像语义分割

《基于全空洞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、学校代码：10200研究生学号：2015102812分类号：TP311.5密级:硕士学位论文基于全空洞卷积神经网络的图像语义分割FullyDilatedConvolutionalNetworksforSemanticSegmentation作者：张利刚指导教师：郑晓娟教授一级学科：软件工程二级学科：软件工程研究方向：深度学习学位类型：学术硕士东北师范大学学位评定委员会2018年5月摘要近年来，深度学习方法在图像识别即计算机视觉及语音文字识别获得了越来越大的进步，特别是在计算机视觉方向的发展突飞猛进，从之前的物体识

2、别，到物体区域识别，到图像语义分割，表现出了深度学习方法的强大的能力。其中图像语义分割问题是一个图像处理问题，问题本身具有非常高的实用意义，本质上可以包含和覆盖物体识别问题及区域确定的问题，现阶段在车辆无人驾驶的路况识别方面有很大的帮助作用，同时对于今后的监控内容识别及计算机图像理解具有深远的意义。图像语义分割的问题本质是对于图像中像素标注为所在物体的类别。传统的图像分割的大多数算法是根据像素的相似程度进行聚类，或者根据纹理或者区域间的色差进行划分，只能识别与背景相差较大的物体。基于卷积神经网络的图像语义分割的方

3、法的出现使得图像语义分割问题获得了非常不错的进步，使得语义分割结果获得了质的飞跃，但是仍存在需要解决的问题。其中，全卷积神经网络中的池化操作会将图像缩小，再将图像上采样扩大，会导致图像细节的丢失，导致了最后结果具有精度较低的问题。空洞卷积神经网络则是选择抛弃了池化层，从而保证特征图大小与原图像保持一致，并由几个空洞卷积层联立获得较大的卷积感受野。但是空洞卷积神经网络与现阶段的诸多在图像分类方面的神经网络结构均不同，无法像全卷积神经网络一样可以利用现有的网络结构及以训练好的参数直接转换而成。一是全卷积神经网络的上下

4、采样导致的图像精度问题，二是空洞卷积神经网络无法复用现有的效果较好的卷积神经网络，是本文将要解决的两个关键问题。本文提出并设计了一种名为全空洞卷积神经网络的图像语义分割网络结构，本网络结构既保留卷积神经网络的完整结构（保留了池化操作），又可保证不依赖于上采样的情况下，通过将原有的卷积层和池化层改为空洞卷积层和空洞池化层使得在计算过程中特征图大小与原图保持一致，最终可在保持原卷积神经网络计算结构的基础上直接获得与原图大小一致的语义分割结果，从而实现真正意义上的端到端图像语义分割算法。该网络结构能够将现有的用于图像分

5、类的卷积神经网络直接用作图像语义分割。本文最后选择在MIT场景分析挑战赛中图像语义分割数据集上进行训练验证，并与数据集中各种方法在相同条件下进行对比，分析和验证了本文提出的网络结构的可行性。结果显示，全空洞卷积神经网络获得了高于FCN-8s像素准确率和带权平均IU，且结果更加精确，对今后的图像语义分割发展起到重要的补充和促进作用。I关键词：深度学习；图像语义分割；卷积神经网络；全卷积神经网络；空洞卷积；全空洞卷积神经网络IIAbstractInrecentyears,deeplearninghasmadegrea

6、terprogressincomputervisionandspeechrecognition,especiallyinthedirectionofcomputervision,frompreviousobjectrecognitiontoobjectarearecognitiontoimagesemanticsegmentation.Theimagesemanticsegmentationproblemisanimageprocessingproblem.Theproblemitselfhasaveryhigh

7、practicalsignificance.Itcanessentiallycoverobjectrecognitionproblemsandregionaldetectionproblems.Atthisstage,thereisagreatdealofrecognitioninthevehicleunmannedroadconditions.Thehelpfunctionisoffar-reachingsignificanceforthefuturemonitoringcontentidentificatio

8、nandcomputerimageunderstanding.Theproblemofimagesemanticsegmentationisessentiallythecategoryoftheobjecttowhichthepixelsintheimagearelabeled.Mostofthetraditionalalgorithmsforimagesegmentat