无监督深度学习及其在图像分割中的应用

摘要

智能化社会是大势所趋，图像分割作为计算机视觉领域的基础性工作之一，一直都是相关领域研究的重点和热点。由于神经网络强大的拟合能力，很多基于监督学习的神经网络图像分割模型被提出。但是在监督学习中需要大量的标注样本，且需要提前训练模型的缺陷，无监督神经网络分割模型逐渐受到关注。　　为解决以往模型未能较好地解决分割同一目标具有显著颜色差异时，难以将其分为一体的问题，本文首先大量调试SLIC算法和felzenszwalb超像素分割算法不同参数，并观察不同参数所获得的超像素块能否获得图片中物体的边界。然后使用SLIC算法和felzenszwalb算法获得的超像素分别训练一个小型的卷积神经网络，截取这两个网络的第一层，连接到第三个网络上，修改SLIC的参数，完成第三个网络的训练，得到初始分割。最后使用条件随机场进行后处理，得到最终分割图。　　经过实验表明，本文所提出的级联无监督分割模型能够有效地解决分割同一目标具有显著颜色差异时，难以将其分为一体的问题，与此同时整体分割效果较好，能够有效地提取图像中物体的纹理和颜色特征信息。

目录

1绪论

1.1研究背景

1.2国内外研究现状

1.3 本文主要工作

2 预备知识

2.1神经网络

2.2条件随机场

2.3图像编码与超像素

2.4本章小结

3 无监督神经网络分割模型

3.1 问题分析

3.2 无监督分割器的构造

3.3缺陷与不足

3.4本章小结

4 级联无监督分割模型

4.1 超像素算法实例及分析

4.2级联无监督分割模型

4.3 全连接条件随机场与后处理

4.4本章小结

5实验结果与展示

5.1 参数设置

5.2 分割图像展示与实验结果

5.3本章小结

6 结论与展望

6.1结论

6.2进一步研究与展望

参考文献

附录

学位论文数据集

致谢

声明