基于深度學習的圖像語義分割研究.pdf

1、圖像的語義分割一直是計算機視覺領域的研究重點，而深度學習是近階段人工智能方向飛速發(fā)展的熱點，因此基于深度學習的機器視覺方面的應用隨之成為全世界研究人員的熱點關注問題。深度學習的發(fā)展近十年來在人工智能領域取得了非常具有建設性的突破，也是現階段互聯(lián)網大數據環(huán)境下最流行的智能應用方式之一。深度學習在圖像檢索、圖像內容分析、自然語言處理、視頻行為分析、多媒體解析等諸多寬廣的領域上取得了引人矚目的成功應用。接踵而至，各種各樣的計算機視覺問題都在嘗

2、試使用深度學習的方法來進行更為突破性的研究。本文重點研究基于深度學習的卷積神經網絡的圖像語義分割。研究一是針對室內場景的圖像通過原始圖片的上下文信息約束來提高整體的像素級別的分割精度。研究二是將語義分割作為導向使用條件對抗網絡得到像素級別上更精準、像素間更具相關性的分割結果，也是利用條件對抗網絡來處理圖像分割問題的研究嘗試。
　　首先介紹了傳統(tǒng)方法與深度學習方法在圖像語義分割任務上的差異，以及當下最熱門的對抗學習方式和其中主要的生

3、成對抗網絡的介紹。主要分析了深度學習中卷積神經網絡在圖像語義分割任務上的優(yōu)勢，以及生成對抗網絡在圖像語義分割任務上的可行性與優(yōu)點。
　　室內場景的語義分割有很大的應用范圍，例如智能機器人、室內監(jiān)控等，但由于室內場景中的物體類別繁多且分布不均勻，當分割較小的物體或物體邊緣時很容易丟失標簽。圖片的上下文信息表達的是像素點之間的關聯(lián)內容，這些內容之間的約束能對語義分割結果產生有效地幫助，但目前的研究還有很多尚未充分利用的地方。本文對此提

4、出了一個可學習的上下文正則化深度卷積神經網絡模型，該模型利用卷積神經網絡的特征提取能力得到原始圖片中豐富的上下文約束信息，用以加強語義分割結果。該正則化模型使用深度卷積分割網絡，但不引起明顯的額外參數增加網絡訓練負擔。提出的模型利用室內場景物體固有的上下文正則約束提高分割結果，可學習的約束是在網絡低層和網絡高層之間架起一個連接橋，在相鄰的RGB像素點使用L1約束學習上下文約束信息來輔助高層的像素點分類以提高分割精度。
　　基于深度

5、卷積神經網絡語義分割的研究也越來越深入且取得了顯著的效果。生成式對抗網絡(GANs)是深度學習領域最新提出的比較重要的一個模型，但現有的主要研究大多是針對圖像生成、風格轉移等任務，在圖像分割上的研究還不夠深入。因此本文使用生成對抗模型來研究和解決圖像語義分割任務，提出分割-對抗模型(Conditional Segmentation Generative Adversarial Networks,CSGAN)。CSGAN使用深度卷積語義分

6、割模型作為生成模型，基于輸入的RGB圖像產生對標簽類預測的概率圖，逐像素計算回歸損失。CSGAN模型中的判別網絡對預測圖與標簽圖的差異進行高階規(guī)律統(tǒng)計，為生成模型提供了一個自學習的全局損失統(tǒng)計方式，不依賴人工設計的損失項.。我們的模型保持了傳統(tǒng)語義分割模型端到端的訓練，實驗結果有效地表明我們的模型不但能提高分割結果中單個物體的完整性，還能保持物體間的相互獨立性。
　　本文中針對室內場景的可學習的上下文正則化深度卷積神經網絡模型在室