图像语义分割

摘要： 图像语义分割是计算机视觉领域的热点研究课题,随着全卷积神经网络的迅速兴起,图像语义分割和全卷积神经网络的融合发展取得了非常卓越的成绩。通过对近年来高质量文献的收集,重点对全卷积神经网络图像语义分割方法进行总结。将收集的文献,按照应用场景的不同,划分为经典语义分割、实时性语义分割和RGBD语义分割,对具有代表性的分割方法进行阐述。同时归纳了常用的公共数据集和性能的评价指标,并对常用数据集上的实验进行分析总结,对全卷积神经网络未来可能的研究方向进行展望。

摘要： 为解决图像语义分割任务中面对的分割场景的复杂性、分割对象的多样性及分割对象空间位置的差异性问题,提高语义分割模型的精度,提出基于稠密扩张卷积的双分支多层级语义分割网络(double branch and multistage network, DBMSNet).首先采用主干网络提取输入图像的4个不同分辨率的特征图(De1、De2、De3、De4),其次采用特征精炼(feature refine, FR)模块对De1和De3这两个特征图进行特征精炼处理,特征精炼处理之后的输出分支经过混合扩张卷积模块(mixed dilation module, MDM)编码空间位置特征, De4分支采用金字塔池化模块(pyramid pooling module, PPM)编码高级语义特征,最后将两个分支进行融合,输出分割结果.在数据集CelebAMask-HQ和Cityscapes中进行实验,分别得到mIoU精度为74.64%、78.29%.结果表明,本文方法的分割精度高于对比方法,且具有更少的参数量.

摘要： 图像语义分割技术是一项重要的图像后期处理方法,在计算机智能识别和视觉传达领域有着重要应用。从图像语义分割局部增强问题出发,研究两种常见的图像分割技术,在此基础上提出了改进的图像局部滤波去噪增强算法,并详细阐述了算法的实现步骤,用实验的方法通过比较了图像熵值大小分析算法的运用效果,结果表明,改进的图像局部滤波去噪增强算法的熵值最大,增强效果最好。

摘要： 图像语义分割技术是计算机视觉领域的核心研究内容 之一,在生产生活中有着广泛的应用需求。随着计算机性能的提升和深度学习技术的不断发展,研究者们对图像语义分割的实际效果和性能有着越来越高的研究热情。文章通过对图像语义分割方法的研究整理,梳理出现阶段图像语义分割研究的主要问题,针对这些主要问题整理了研究者们提出的解决方法和思路,介绍了语义分割领域常用的公共数据集以及算法性能评价标准,最后对各个算法进行性能的比较和评价,并对图像语义分割领域下一步的研究热点方向进行了展望。

摘要： 为了降低图像语义分割网络的模型复杂度,提出了分解多空洞深度卷积的轻量级图像语义分割模型。首先,针对大小不一的多目标,用感受野不同的金字塔结构提取图像语义特征,在深度卷积过程中对空洞卷积进行分解,以降低参数量和计算量;其次,对不同阶段得到的特征图进行融合,利用子像素卷积进行上采样,将提取的低分率图插入到最后输出的高分辨率特征图中,以改善图像语义分割的精准性;最后,在CamVid数据集上和现有的9种方法进行对比实验,结果表明,该方法参数量和计算量都相对较低,同时语义分割精准性得以提升。

摘要： 随着道路使用年限的增加,裂缝对道路的产生危害愈发严重。针对该问题,研究建立一种深度结合卷积神经网络并融合了端到端结构的ETEL-CNN道路裂缝智能检测模型。研究结果表明该模型的识别准确率达到99%,模型输出的预测图与实际裂缝图匹配度良好,较目前常用的裂缝检测FFA算法准确率提高35.34%,召回率提高0.55%,且F1值提高21.54。该模型性能优异,为道路裂缝检测提供了一种新的思路。

摘要： 城市道路图像的语义分割具有很多的应用场景,如自动驾驶、图片或视频中广告的插入等。这些应用场景都要求分割算法具有较高的精确度,城市道路图像中具有很多尺度大小不一的目标,不同尺度的目标特别是小尺度的目标,会给精细化分割带来更多困难。针对以上问题,提出了一种基于编码器—解码器结构的语义分割网络。使用该模型以改进不同尺度目标边缘的分割精确性。针对城市道路场景的Cityscapes数据集设计相关的对比实验,实验结果证明了所提方法的有效性。

摘要： 为解决Deeplab v3+网络在解码过程中仅融合一个尺度编码特征,导致部分细节信息丢失,从而造成最终分割结果较为粗糙等问题,提出多尺度特征自适应融合的图像语义分割算法.该算法在Deeplab v3+的解码过程中使用自适应空间特征融合结构,给不同尺度的编码特征分配自适应的融合权重,通过融合编码过程中的多尺度特征进行特征图的上采样,从而实现图像更加精细的语义分割效果.实验结果表明,该算法在Cityscapes数据集上达到了95.05%的像素准确度和69.36%的平均交并率,且对大部分小尺度目标物体的分割更为精准;在Vaihingen遥感图像数据集上本文提出的算法达到了83.49%的像素准确度和68.77%的平均交并率,进一步验证了本文改进算法的泛化性.

摘要： 针对现有图像语义分割中存在小目标对象分割精度不高等问题,提出一种结合上下文注意力的卷积自校正图像语义分割模型。使用上下文注意力机制挖掘局部区域内细粒度特征,结合上下文循环神经网络和残差学习充分挖掘图像的深层隐含语义特征;构建辅助分割模型,在给定图像和边界框注释的情况下生成每像素的标签分布,提出卷积自校正模型,实现分割模型的动态调整。基于3种数据集对所提模型的分割精度进行实验论证,实验结果表明,所提模型的分割精度与分割效果均明显高于其它模型,具有良好的泛化能力。

摘要： 针对图像语义分割中,存在细节信息丢失、分割类别边缘模糊而粗糙的问题,在编码解码结构的基础上,结合残差模块和注意力机制,设计一种残差注意力模块。通过注意力机制加强特征图通道之间的联系,以提升语义分割的细腻度。为提高模型对多尺度物体的识别能力,结合金字塔模型,设计一种金字塔上采样模块。利用编码过程中产生的不同尺度的特征图,进行不同尺度的语义信息提取,以加强模型场景识别能力。最后,对所提出的方法进行实验验证,与FCN-8s、SegNet、Deeplab-v2、PSPNet等方法相比,针对VOC 2012,平均交并比(mIoU)和平均像素精度(mPA)最高分别提高了15.9%和3.57%;针对Cityscape数据集,mIoU和mPA指标分别提高了17.8%和13.3%,图像语义分割效果得到明显提升。

摘要： 深度卷积神经网络以其独特的权重共享机制在图像识别中得到了广泛的应用,而普通的卷积神经网络在图像语义分割有着诸多困难.故本文将全卷积神经网络(FCN)应用于高分遥感数据的语义分割,以分割图像中的施工场地为例,提出了融合蓝板房光谱识别指数BBI和裸土光谱识别指数RSI的改进全卷积神经网络模型.结果表明:FCN能够较好对高分遥感数据进行分割,提出的改进全卷积神经网络模型能够较为显著的提高了施工场地的识别率,F1综合指标提升了12％.

摘要： 本文构建了一个基于图像语义分割的遥感影像识别技术框架，并以油罐目标为探测案例，根据油罐目标在光学和SAR影像上不同的表现特征，综合利用高分辨率遥感光学与SAR影像对油罐的成像机理，通过计算机视觉与形态学原理将光学与SAR影像信息融合，成功实现了油罐目标的快速自动识别。利用该方法探识别地表其他特种目标具有一定的潜在的应用价值．

摘要： 本公开实施例公开了一种语义分割模型的训练方法、装置和图像的语义分割方法，其中，方法包括：获取训练数据；利用训练数据，采用融合像素级对比学习和交叉监督的半监督学习的训练方式对预先建立的语义分割网络进行训练，获得语义分割模型。本公开实施例通过交叉监督的半监督学习，可以利用有标签图像数据和无标签图像数据共同训练，有效提高语义分割模型的鲁棒性，并结合像素级对比学习可以有效拉近同类型像素特征间的距离，同时推远不同类型像素特征间的距离，提升像素特征的可判别性，从而有效提高语义分割模型的性能。

摘要： 本发明公开了一种图像语义分割模型的训练方法及图像语义分割方法，训练方法包括：将预先标注语义分割信息的训练图像分别输入到至少两个基础语义分割子模型中，得到对应的至少两个包含语义信息的特征图；将至少两个特征图及其预先标注的语义分割信息同时输入到注意力模型中，以计算出每个特征图的权重；利用融合单元将至少两个所述特征图按相应权重进行融合，得到所述训练图像的预测语义分割结果；依据所述训练图像的预测语义分割结果和预先标注的语义分割信息，对至少两个基础语义分割子模型和注意力模型的参数进行修正；利用若干训练图像不断迭代执行上述训练步骤直至至少两个基础语义分割子模型和注意力模型的训练结果满足预设的收敛条件。

摘要： 本申请涉及人工智能领域，具体涉及计算机视觉领域，提供一种图像语义分割方法和图像语义分割装置，该方法包括：获取待处理图像的初始特征图，将初始特征图输入到分割网络，从而得到待处理图像的语义分割图，该语义分割图的分辨率与待处理图像的分辨率相同，该分割网络包括至少一个非对称卷积单元，该至少一个非对称卷积单元用于对初始特征图进行特征提取，非对称卷积单元生成的多个感受野的形状不完全相同。通过将单一形状的感受野扩展为多形状的感受野，使得与实际物体和人的形状更加匹配，有效提高分割精度。

摘要： 本申请涉及一种图像语义分割模型训练方法、图像语义分割方法及装置。该方法包括：根据图像中各类别像素的像素占比，获得待训练的图像语义分割模型预测所述图像中各类别像素的权重；根据所述图像中各类别像素的权重，获得图像语义分割模型预测所述图像中各类别像素的损失值；根据所述损失值，调整图像语义分割模型的参数，获得训练好的图像语义分割模型。本申请提供的方案，能够提高图像语义分割模型的训练效果，提高图像语义分割模型的语义分割准确率。

摘要： 本申请涉及一种图像语义分割方法、装置及图像语义分割模型的训练方法。所述方法包括：通过将待分割图像输入多通道特征提取网络进行特征提取，得到特征提取网络每个通道提取的图像特征，并对每个通道提取的图像特征进行第一融合处理，得到第一融合特征，基于第一融合特征进行上采样，并与相同尺寸的图像特征进行第二融合处理，得到待分割图像的语义分割结果。其通过采用多通道特征提取网络进行特征提取，从而提高了对待分割图像细节特征信息的提取，通过应用跳转连接的方式对提取的特征进行特征融合，从而提高了对边界信息的识别准确度。

摘要： 本公开提供了图像语义分割模型训练、图像语义分割方法、装置、电子设备、计算机可读存储介质及计算机程序产品，涉及计算机视觉和深度学习等人工智能技术领域。该方法包括：利用多个下采样层对各样本图像进行尺度缩减；控制输出特征图的尺度大于预设尺度的下采样层仅在预设的各子区域内进行像素点间的关联计算，得到第一特征图；控制输出特征的尺度不大于预设尺度的下采样层在全图内进行各像素点间的关联计算，得到第二特征图；利用上采样层对第一特征图和第二特征图进行尺度恢复，得到处理后特征图；基于处理后特征图和相应的图像语义标注结果，训练图像语义分割模型，得到目标图像语义分割模型。可缩短图像语义分割模型的训练时长和结果输出耗时。

摘要： 本发明涉及一种用于图像语义分割的SAUNet++网络与图像语义分割方法，解决如何提高图像语义分割精度的技术问题。通过若干SER模块之间的下采样连接、上采样连接以及长短跳跃连接形成U‑Net++网络结构，从而得到SU‑Net++网络，使得SU‑Net++网络具备一条下采样链路和不同深度的上采样链路以及用于合并特征图的跳跃连接网络；所述SER模块为挤压激励残差模块，用于调整特征图的通道数和各通道的权值；在所述SU‑Net++网络结构的下采样链路的末端与最深层上采样链路的首端之间增加一个ASPP模块，从而形成SAUNet++网络。本发明可以学习到图像中更丰富更重要的特征，提高分割准确率，医学图像和自然图像都能有效分割。

摘要： 本发明公开了一种图像语义分割模型的训练方法及图像语义分割方法，训练方法包括：将预先标注语义分割信息的训练图像分别输入到至少两个基础语义分割子模型中，得到对应的至少两个包含语义信息的特征图；将至少两个特征图及其预先标注的语义分割信息同时输入到注意力模型中，以计算出每个特征图的权重；利用融合单元将至少两个所述特征图按相应权重进行融合，得到所述训练图像的预测语义分割结果；依据所述训练图像的预测语义分割结果和预先标注的语义分割信息，对至少两个基础语义分割子模型和注意力模型的参数进行修正；利用若干训练图像不断迭代执行上述训练步骤直至至少两个基础语义分割子模型和注意力模型的训练结果满足预设的收敛条件。

摘要： 一种基于实时语义分割的室内救援车及图像语义分割方法，本发明涉及室内救援车，本发明目的在于克服室外环境的智能驾驶车辆应用的图像语义分割技术不能满足室内救援环境的需要的问题，它包括沟通提示结构、图像采集结构、架体、驱动控制机构和四个越障行走机构；沟通提示结构、图像采集结构和驱动控制机构安装在架体上，四个越障行走机构安装在架体底端上，驱动控制机构与沟通提示结构、图像采集结构和越障行走机构连接并控制沟通提示结构、图像采集结构和越障行走机构工作。并通过室内救援车的图像采集结构进行语义分割。本发明属于室内救援领域。

摘要： 本申请实施例涉及图像语义分割技术领域，公开了一种训练语义分割模型的方法、图像语义分割方法及相关装置，采用训练集和损失函数对包括K个分支网络的相互学习网络进行迭代训练，得到K个分支模型。最后，根据这K个分支模型的性能，选择出性能满足要求的分支模型作为语义分割模型。其中，该损失函数包括交叉熵损失函数和KL散度损失函数。基于损失的反向传播，一方面，交叉熵损失能够约束该分支网络输出的预测语义分割图像不断靠近真实语义分割图像，另一方面，KL散度损失能够使得K个分支网络进行联合训练，互相监督、互相优化，在不引入额外参数的情况下，能进一步提升该分支网络的性能，改善语义分割效果。