基于特征融合和困难样例挖掘的图像语义分割

《基于特征融合和困难样例挖掘的图像语义分割》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于特征融合和困难样例挖掘的图像语义分割作者姓名李梦溪学科专业计算机科学与技术指导教师许勇教授所在学院计算机科学与工程学院论文提交日期2018年4月SemanticImageSegmentationwithFeatureFusionandHardExampleMiningADissertationSubmittedfortheDegreeofMasterCandidate：MengxiLiSupervisor：Prof.YongXuSouthChinaUniversityofTechnologyGu

2、angzhou,China分类号：TP391学校代号：10561学号：201521031346华南理工大学硕士学位论文基于特征融合和困难样例挖掘的图像语义分割作者姓名：李梦溪指导教师姓名、职称：许勇教授申请学位级别：工学硕士学科专业名称：计算机科学与技术研究方向：计算机视觉论文提交日期：2018年4月20日论文答辩日期：2018年5月31日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：文贵华委员：董守斌，郑运平，张艳青，董敏４＾南理工；＾学位论文原创性声明本人郑重声明：所呈交的论文

3、是本人在导师的指导下独立进行研究所。取得的研究成果除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写的成果作品。对本文的研宄做出重要贡献。的个人和集体，均已在文中以明确方式标明本人完全意识到本声明的法律后果由本人承担。作者签名日期：７／＾年ｆ月釦曰学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，ｓ卩：研究生在校攻读学位期间论文工作的知识产权单位属华南理工大学。学校有权保存并向国家有关部门或机构送交论文的复印件和电子版，

4、允许学位论文被查阅（除在保密期内的保密论文外）；学校可以公布学位论文的全部或。部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学位论文本人电子文档的内容和纸质论文的内容相一致。本学位论文属于：□保密，（校保密委员会审定为涉密学位时间：＿年＿月＿日）于年日解密后适用本授权书。＿＿月＿０不保密意在校园网上发布，供校内师生和与学校有共享协议的，同单位浏览；同意将本人学位论文提交中国学术期刊光盘版电子杂志社全文（）出版和编入ＣＮＫＩ《中国知识资源总库》，传播学位论文的全部或部

5、分内容。请在“”以上相应方框内打Ｖ（）作者签名：日期：指导教师签名务日期：作者联系电话：电子邮箱：联系地址（含邮编）：摘要图像语义分割是视觉理解的基础，是计算机视觉领域备受关注的核心问题，其任务是对于给定图像的每一个像素进行分类，最终得到一个与输入图像大小相同的稠密预测。近年来，深度卷积神经网络（CNNs）因其在目标检测任务中的优异表现而被应用在许多图像语义分割方法之中，得到了比传统方法更好的效果。但是目前基于深度卷积神经网络的图像语义分割算法仍面临两方面挑战：一方面，对输入图像进行

6、连续的下采样操作使得图像的分辨率被降低，导致目标位置信息的损失；另一方面，语义分割数据集大多存在样本分布不均问题，在学习过程中给予所有像素同样的权重，不利于困难样例的分类。基于以上的需要和挑战，本文旨在解决图像语义分割中对多尺度目标、细小目标和难分类目标的语义分割。本文首先介绍了图像语义分割的研究背景和研究意义，并根据目前国内外研究现状，围绕如何融合多尺度特征对深度全卷积神经网络的分割结果进行细化，以及如何提升对难分类样本的语义分割效果进行了深入研究，本文创新点有以下两方面：第一，我们设计了一个基于多尺度特征融

7、合的端到端全卷积图像语义分割网络ResSegNet。将图像语义分割分为初步分割和分割结果细化两个不同尺度的任务：在使用基于全卷积网络的粗粒度分割器得到初步的分割结果的基础上，提出一个基于多尺度特征融合的分割残差提取器来得到多尺度分割残差，并使用一个分割修正器将两部分结果融合，最终得到精确的语义分割结果。第二，为了解决图像语义分割存在的类内和类间的样本分布不均问题，我们提出了一种困难样例挖掘方法，基于目标检测领域的FocalLoss，设计了一个用于稠密预测的加权损失函数，对难分类的像素给予较大的惩罚，从而对困难样

8、本进行更加充分的学习，提升模型对复杂目标的语义分割能力。最后通过实验和分析验证了我们提出的基于特征融合和困难样例挖掘的图像语义分割方法的有效性，并且与其它的前沿方法进行了对比，阐明了本文方法的优越性和价值。同时本文总结了主要研究和贡献、本文算法的不足之处，以及对未来的研究方向的猜想。关键词：语义分割；卷积神经网络；特征融合；困难样例挖掘IAbstractSemanticimageseg