基于深度神经网络的小目标语义分割算法研究

摘要

图像语义分割(Image Semantic Segmentation)是场景理解的一个重要分支，其研究成果可应用于汽车自动驾驶、智能医疗、虚拟现实等众多领域，具有重要的应用价值和研究意义。传统的图像语义分割方法需设计手工特征来构建条件随机场模型，该类方法只适用于小规模的数据集，而不适用于近几年公开的大规模且场景复杂的挑战数据集。卷积神经网络（Convolutional Neural Networks，CNN）可以提供相比传统分类方法更强的分类器，同时能够自动学习图像特征，这使得它在图像语义分割上的精度有了很大的提升。但是，基于卷积神经网络的语义分割方法依然存在挑战性的问题，如在复杂场景中较难分割图像中的小目标区域。本文基于深度卷积神经网络框架设计了三种不同的语义分割算法，旨在解决语义分割中的小目标分割难题。同时，需保证在数据集整体分割精度较优的前提下，对图像中存在的小目标分割较为敏感。主要研究工作如下:
　　1.提出一种小目标敏感的双通道卷积神经网络语义分割算法。算法针对语义分割任务设计了新的交叉熵损失函数，该函数作为网络的损失层对小目标分割较为敏感。同时，为了提升除小目标外其他类别区域的分割性能，本算法使用合适的模型融合方法对两个不同的模型进行融合，使得最终的结果既能够对小目标分割较为敏感，又能保证整体分割性能相对于主流语义分割方法具有一定的提升。
　　2.提出一种小目标敏感的端到端差异网络语义分割算法。算法在现有语义分割网络模型的基础上，设计了一个称为“差异网络”的分割模型，该网络模型专注于解决小目标分割和其他分割边界难题。两个网络组合成端到端的网络进行联合学习，因此它们的参数可以同时学习获得更优的解，最终模型可以在提高整体分割精度的基础上对小目标分割更加敏感。
　　3.提出一种结合目标检测的小目标语义分割算法。本工作并没有直接利用单个神经网络同时分割小尺寸的目标和较大尺寸的目标，而是首先通过目标检测网络获取图像中所有小目标的边界框;然后以小目标块作为输入图像，设计并训练一种针对低分辨率下的小目标分割网络模型，该模型可以预测得到像素级别的小目标标记图，最后用局部的小目标标记图对整幅图像的分割结果进行修正，修正后的分割图对小目标具有较好的分割效果。

目录

声明

摘要

第1章绪论

1．1研究背景和意义

1．2国内外研究现状

1．2．1传统语义分割算法研究简介

1．2．2基于深度学习的语义分割研究现状

1．2．3语义分割算法的关键技术和挑战

1．2．4小目标分割问题研究现状

1．3主要工作

1．4论文结构

第2章预备知识

2．1卷积神经网络的发展

2．2卷积神经网络的结构

2．2．1全连接层和卷积层

2．2．2激活层和池化层

2．3卷积神经网络的训练

2．3．1反向传播算法

2．3．2梯度下降算法

2．4基于卷积神经网络的语义分割

2．5常用评价指标和数据集

2．5．1常用评价指标

2．5．2常用数据集

2．6本章小结

第3章小目标敏感的双通道卷积神经网络语义分割算法

3．1问题描述

3．2全卷积神经网络简介

3．3算法描述

3．3．1模型提出

3．3．2卷积神经网络的结构

3．3．3卷积神经网络的训练

3．3．4神经网络模型的融合

3．4实验分析

3．4．1实验运行环境和网络参数的设置

3．4．2实验过程和步骤

3．4．3实验结果比较和分析

3．5本章小结

第4章小目标敏感的端到端差异网络语义分割算法

4．1问题描述

4．2算法描述

4．2．1模型设计

4．2．2卷积神经网络的结构

4．2．3网络模型的训练

4．3实验分析

4．3．1网络参数设置及其他训练细节

4．3．2实验过程和步骤

4．3．3实验结果比较和分析

4．4本章小结

第5章结合目标检测的小目标语义分割算法

5．1引言

5．2目标检测和语义分割方法

5．2．1 YOLO v2目标检测

5．2．2 DeepLab语义分割

5．3算法描述

5．3．1算法框架

5．3．2小目标分割网络的结构分析和设计

5．3．3小目标分割网络的训练

5．4实验结果和分析

5．5本章小结

第6章总结与展望

6．1工作总结

6．2未来展望

参考文献

附录

致谢