基于深度學習的圖像語義分割技術

　　圖像語義分割（Image Semantic Segmentation，ISS）是涉及計算機視覺、模式識別與人工智能的研究熱點，基于深度學習的圖像語義分割（Image Semantic Segmentation based on Deep Learning，ISSbDL）方法利用深層計算模型來學習抽象的圖像特征，促進了ISS 相關研究的發(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、無法有效利用圖像上下文等問題。本文對編碼器．解碼器模型進行了兩點改進并以這兩點改進為基礎，設計了一種“密集連接帶孔空間金字塔池化反卷積網(wǎng)絡”（Densely ConnectedAtrous Spatial Pyramid Pooling Deconvlution Network，DenseASPPDeconvNet）用于圖像語義分割。本書的主要貢獻如下：（1）對ISSbDL的經(jīng)典方法與研究現(xiàn)狀進行系統(tǒng)性總結和梳理。對基于深度學習的圖像語義分割的經(jīng)典方法與研究現(xiàn)狀進行系統(tǒng)分類、梳理和總結。根據(jù)分割特點和處理粒度的不同，將基于深度學習的圖像語義分割方法分為基于區(qū)域分類的圖像語義分割方法和基于像素分類的圖像語義分割方法。把基于區(qū)域分類的圖像語義分割方法細分為2類子方法，把基于像素分類的圖像語義分割方法進一步細分為7類不同的方法。對每類方法的代表性算法進行了詳細地分析介紹，并詳細總結了每類方法的基本思想和優(yōu)缺點，系統(tǒng)闡述了深度學習技術對圖像語義分割領域的貢獻。（2）改進基于編碼器一解碼器模型的ISS算法，設計出DenseASPPDeconvNet網(wǎng)絡模型。為提取更多的圖像特征和圖像上下文，對基于編碼器一解碼器模型的ISS算法中的編碼器模塊進行了兩點改進：①以更密集的連接方式連接多個帶孔卷積，優(yōu)化初級特征提取器，提出“密集連接帶孔卷積網(wǎng)絡”（Densely Connected Atrous Convolution Network，DenseAtrous CNet），使用DenseAtrousCNet代替卷積神經(jīng)網(wǎng)絡（Convolutional NeuralNetworks，CNN）作為初級特征提取器，能夠捕獲更多的稠密特征。②對傳統(tǒng)帶孔空間金字塔池化模型進行優(yōu)化，以密集連接組合數(shù)個不同帶孔率的帶孔卷積，對稠密特征圖進行融合，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，對初級特征進行再編碼，以捕獲更多的全局語義信息和圖像上下文?；谝陨蟽牲c改進，對傳統(tǒng)的編碼器一解碼器模型的網(wǎng)絡結構進行優(yōu)化，設計了一種“密集連接帶孔空間金字塔池化反卷積網(wǎng)絡”（DenseASPPDeconvNet網(wǎng)絡模型）。DenseASPPDeconvNet是一種非對稱的網(wǎng)絡結構，其編碼器模塊使用DenseAtrousCNet進行初級特征提取，使用DenseGobalASPP對初級特征進行再編碼，解碼器模塊使用反卷積來逐步恢復特征圖的分辨率。DenseASPPDeconvNet能夠捕獲更多的稠密特征圖，擴大網(wǎng)絡的感受野，捕獲更多的圖像上下文，進而提高ISS的分割準確率。實驗部分使用PASCAL VOC 2012公開數(shù)據(jù)集進行實驗和測試：將Dense ASPPDeconvNet 與其他經(jīng)典網(wǎng)絡模型進行詳細地分析與對比，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進行對比，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《基于深度學習的圖像語義分割技術》作者簡介