基于深度學(xué)習(xí)的圖像語(yǔ)義分割技術(shù)

　　圖像語(yǔ)義分割（Image Semantic Segmentation，ISS）是涉及計(jì)算機(jī)視覺(jué)、模式識(shí)別與人工智能的研究熱點(diǎn)，基于深度學(xué)習(xí)的圖像語(yǔ)義分割（Image Semantic Segmentation based on Deep Learning，ISSbDL）方法利用深層計(jì)算模型來(lái)學(xué)習(xí)抽象的圖像特征，促進(jìn)了ISS 相關(guān)研究的發(fā)展。在ISSbDL方法中，基于編碼器．解碼器模型的ISS方法存在像素空間位置信息丟失、無(wú)法有效利用圖像上下文等問(wèn)題。本文對(duì)編碼器．解碼器模型進(jìn)行了兩點(diǎn)改進(jìn)并以這兩點(diǎn)改進(jìn)為基礎(chǔ)，設(shè)計(jì)了一種“密集連接帶孔空間金字塔池化反卷積網(wǎng)絡(luò)”（Densely ConnectedAtrous Spatial Pyramid Pooling Deconvlution Network，DenseASPPDeconvNet）用于圖像語(yǔ)義分割。本書的主要貢獻(xiàn)如下：（1）對(duì)ISSbDL的經(jīng)典方法與研究現(xiàn)狀進(jìn)行系統(tǒng)性總結(jié)和梳理。對(duì)基于深度學(xué)習(xí)的圖像語(yǔ)義分割的經(jīng)典方法與研究現(xiàn)狀進(jìn)行系統(tǒng)分類、梳理和總結(jié)。根據(jù)分割特點(diǎn)和處理粒度的不同，將基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法分為基于區(qū)域分類的圖像語(yǔ)義分割方法和基于像素分類的圖像語(yǔ)義分割方法。把基于區(qū)域分類的圖像語(yǔ)義分割方法細(xì)分為2類子方法，把基于像素分類的圖像語(yǔ)義分割方法進(jìn)一步細(xì)分為7類不同的方法。對(duì)每類方法的代表性算法進(jìn)行了詳細(xì)地分析介紹，并詳細(xì)總結(jié)了每類方法的基本思想和優(yōu)缺點(diǎn)，系統(tǒng)闡述了深度學(xué)習(xí)技術(shù)對(duì)圖像語(yǔ)義分割領(lǐng)域的貢獻(xiàn)。（2）改進(jìn)基于編碼器一解碼器模型的ISS算法，設(shè)計(jì)出DenseASPPDeconvNet網(wǎng)絡(luò)模型。為提取更多的圖像特征和圖像上下文，對(duì)基于編碼器一解碼器模型的ISS算法中的編碼器模塊進(jìn)行了兩點(diǎn)改進(jìn)：①以更密集的連接方式連接多個(gè)帶孔卷積，優(yōu)化初級(jí)特征提取器，提出“密集連接帶孔卷積網(wǎng)絡(luò)”（Densely Connected Atrous Convolution Network，DenseAtrous CNet），使用DenseAtrousCNet代替卷積神經(jīng)網(wǎng)絡(luò)（Convolutional NeuralNetworks，CNN）作為初級(jí)特征提取器，能夠捕獲更多的稠密特征。②對(duì)傳統(tǒng)帶孔空間金字塔池化模型進(jìn)行優(yōu)化，以密集連接組合數(shù)個(gè)不同帶孔率的帶孔卷積，對(duì)稠密特征圖進(jìn)行融合，提出“密集連接全局平均帶孔金字塔池化”（Densely Connected Global Atrous Spatial Pyramid Pooling，DenseGlobalASPP）模型，使用DenseGlobalASPP代替帶孔空間金字塔池化（Atrous Spatial Pyramid Pooling）作為特征再編碼器，對(duì)初級(jí)特征進(jìn)行再編碼，以捕獲更多的全局語(yǔ)義信息和圖像上下文?；谝陨蟽牲c(diǎn)改進(jìn)，對(duì)傳統(tǒng)的編碼器一解碼器模型的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化，設(shè)計(jì)了一種“密集連接帶孔空間金字塔池化反卷積網(wǎng)絡(luò)”（DenseASPPDeconvNet網(wǎng)絡(luò)模型）。DenseASPPDeconvNet是一種非對(duì)稱的網(wǎng)絡(luò)結(jié)構(gòu)，其編碼器模塊使用DenseAtrousCNet進(jìn)行初級(jí)特征提取，使用DenseGobalASPP對(duì)初級(jí)特征進(jìn)行再編碼，解碼器模塊使用反卷積來(lái)逐步恢復(fù)特征圖的分辨率。DenseASPPDeconvNet能夠捕獲更多的稠密特征圖，擴(kuò)大網(wǎng)絡(luò)的感受野，捕獲更多的圖像上下文，進(jìn)而提高ISS的分割準(zhǔn)確率。實(shí)驗(yàn)部分使用PASCAL VOC 2012公開(kāi)數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)和測(cè)試：將Dense ASPPDeconvNet 與其他經(jīng)典網(wǎng)絡(luò)模型進(jìn)行詳細(xì)地分析與對(duì)比，證明了DenseASPPDeconvNet能夠提升ISS 的性能，具有一定的合理性和優(yōu)越性。將DenseAtrousCNet、DenseASPPD econvNet分別與CNN、ASPP進(jìn)行對(duì)比，證明了DenseAtrousCNet與DenseASPPDeconvNet擁有較好的特征提取效果，能夠捕獲更多的圖像特征，有助于提升ISS的性能。

暫缺《基于深度學(xué)習(xí)的圖像語(yǔ)義分割技術(shù)》作者簡(jiǎn)介