基于复数U-Net的PolSAR图像语义分割
这是一篇关于合成孔径雷达,复数胶囊网络,生成对抗网络,复数卷积神经,图像语义分割的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)是一种对地观测系统,能够快速获取目标信息并对目标进行高分辨率成像,且具有全天候、全天时工作能力,在军事和民用等领域得到了广泛的应用。作为SAR领域的研究热点之一,SAR图像解译技术能够完成SAR图像中目标的检测、识别、分类和分割等任务。近年来,随着深度学习的迅速发展,光学图像领域的图像语义分割技术已取得显著成绩,该技术也推动了SAR图像语义分割技术的发展。由于SAR成像机理与光学图像不同,SAR图像存在相干斑噪声影响。此外,与光学图像相比,SAR图像数据获取更为困难。因此,一些基于深度学习的光学图像语义分割技术在SAR图像上难以取得理想的分割性能。本文结合SAR图像特点,将实数图像语义分割网络U-Net推广到复数域,并分别采用生成对抗网络(Generative Adersarial Network,GAN)和复数胶囊网络对复数U-Net进行改进,最终实现Pol SAR图像语义分割。具体内容如下:1)提出了一种基于复数U-Net和GAN的图像语义分割网络模型。该网络模型的主体框架为GAN,其中,生成器由复数U-Net构成,判别器由实数多分辨卷积神经网络构成。在网络训练过程中,复数U-Net实现初步的图像语义分割,GAN进一步使图像语义分割结果接近于真实标签值。两个Pol SAR数据集的实验结果表明,基于复数U-Net和GAN的方法比复数U-Net能获取更高的分割性能。2)提出了一种基于复数U-Net和复数胶囊网络的图像语义分割网络模型,即在复数U-net网络的编码部分和解码部分之间引入复数胶囊网络。由于常用的胶囊网络为实数网络,本文首先提出了一种复数动态路由机制,将实数胶囊网络推广到复数域。然后,将复数U-Net和复数胶囊网络相结合,实现少样本下的Pol SAR图像语义分割。两个Pol SAR数据集的实验结果表明,基于复数U-Net和复数胶囊网络的方法比复数U-Net能够获取更高的分割性能。
端到端图像语义分割算法研究
这是一篇关于深度学习,图像语义分割,U-Net,组归一化,注意力机制的论文, 主要内容为随着人工智能和深度学习的快速发展,图像语义分割日渐成为计算机视觉研究领域的热门问题,同时也逐步应用于医学图像分割领域。但是由于分割模型的不断复杂化,现有算法会过多地占用计算资源并且使模型参数存在巨大冗余;同时,由于医学图像中分割目标的大小、形状变化不一,存在正负样本分布不均衡等问题,现有的语义分割算法在处理一些医学图像分割任务时尚未达到较好的效果。上述原因使得设计一种高效、鲁棒的语义分割算法仍面临巨大的挑战。本文针对语义分割算法进行深入研究,并且在现有分割方法上做出了改进,提高了分割的精确度。文章的主要工作如下:首先,分析了语义分割技术的国内外研究现状,对医学图像分割领域所要面临的难点进行剖析,阐述了图像语义分割算法的基本原理,以及对语义分割现有两种主流算法分别进行了详细阐述,并分析了全卷积神经网络、编码器-解码器结构和扩张卷积等主流语义分割网络结构的优缺点。其次,针对目前语义分割网络依赖于多级级联的卷积神经网络提取感兴趣区域所导致过多和冗余地使用计算资源和模型参数问题,提出基于注意力机制的改进UNet语义分割的特征提取方法,将注意力门控模块合并到标准U-Net模型中,着重显示通过跳过连接结构传递的高级特征,以避免对无关特征的重复提取。然后详细描述了方法流程、改进后的U-Net网络结构,通过实验对比,证明了改进方案的优越性。然后,针对语义分割网络在小批次训练时所面临的批次归一化统计准确率下降问题,提出基于组归一化的deeplab v3+算法,在原有网络模型的基础上,将原有的批次归一化层调整为组归一化层,有效地平衡了训练所占内存资源与计算误差之间的矛盾,并加入Lovasz-softmax损失函数以适应更多场景下的语义分割问题。最后,针对语义分割中标签数据类别失衡的问题,分析了常用损失函数对数据类别失衡问题的敏感性,选择应用泛化Dice损失函数,并将其结合到现有U-Net算法中,最后通过对比实验证明了该方法的优越性和鲁棒性。
基于深度学习的遥感图像建筑物提取方法研究
这是一篇关于深度学习,遥感图像,建筑物提取,卷积神经网络,图像语义分割的论文, 主要内容为随着遥感科学和卫星技术的进步,基于高分辨率遥感图像的对地观察系统日益完善。基于遥感图像的建筑物自动提取在城市规划和灾害监测等方面有着广泛的应用需求,一直是计算机视觉领域的重要方向,并吸引了大量研究人员。从最初的人工目视解译到使用机器学习方法进行提取,再到引入深度学习方法,研究人员不断精进建筑物自动提取的技术。目前建筑物提取的研究热点主要集中在如何提升建筑物的提取精度,以及降低提取成本。但当前的研究存在特征联系难以建立、特征利用不平衡、标注数据集成本过高等问题,导致建筑物提取任务仍存在许多挑战。针对现有的建筑物提取方法在精度和时间成本上表现的不足,本文提出一系列基于卷积神经网络的深度学习模型,具体如下:(1)针对主流卷积神经网络方法因遥感图像的分辨率高、背景复杂,而难以建立类别特征联系的问题,本文提出一种基于深化空间模块的U型特征提取网络。首先利用缓慢的上下采样方式和长跳跃连接的结构获取不同深度的特征图,减小高低维特征图间的信息鸿沟。再引入深化空间模块,激活通道和空间维度的重要特征,帮助网络建立类别特征联系。实验结果表明所提网络结构与深化空间模块能减少对建筑物的错误提取和遗漏提取,从而提升网络提取建筑物的精度。(2)针对主流卷积神经网络方法因感受野受限,而无法平衡利用尺度差异大的建筑物的特征信息,造成大型建筑物提取结果不完整的问题,本文提出一种基于编解码器结构的自适应筛选特征网络ASF-Net。首先基于深化空间模块优化上采样结构,扩展其通用性,帮助网络定位建筑和构建边界。在此基础上,本文提出自适应信息利用块来扩大感受野,捕获深度特征映射,其包含一条用于自主筛选有效信息的自适应通道分支。实验证明ASF-Net能够在保持小建筑物细节信息的同时完整地提取大型建筑物,从而实现不同尺度建筑物提取精度的均衡提高。(3)针对遥感图像的高分辨率导致像素级标注数据集耗费成本大的问题,本文提出一种基于类激活映射的单阶段式弱监督方法。一方面,分类分支通过骨干网络计算类别权重,获得类激活映射图,经过精细化后处理生成伪标签。另一方面,分割分支在骨干网络的瓶颈处引入瓶颈注意力机制,增强高低维特征图的上下文信息。再引入联合损失函数与像素级交叉熵损失合作,优化整个网络。实验结果表明所提弱监督网络实现了利用图像级标签对建筑物自动提取,且精度优于一些先进的弱监督方法。
端到端图像语义分割算法研究
这是一篇关于深度学习,图像语义分割,U-Net,组归一化,注意力机制的论文, 主要内容为随着人工智能和深度学习的快速发展,图像语义分割日渐成为计算机视觉研究领域的热门问题,同时也逐步应用于医学图像分割领域。但是由于分割模型的不断复杂化,现有算法会过多地占用计算资源并且使模型参数存在巨大冗余;同时,由于医学图像中分割目标的大小、形状变化不一,存在正负样本分布不均衡等问题,现有的语义分割算法在处理一些医学图像分割任务时尚未达到较好的效果。上述原因使得设计一种高效、鲁棒的语义分割算法仍面临巨大的挑战。本文针对语义分割算法进行深入研究,并且在现有分割方法上做出了改进,提高了分割的精确度。文章的主要工作如下:首先,分析了语义分割技术的国内外研究现状,对医学图像分割领域所要面临的难点进行剖析,阐述了图像语义分割算法的基本原理,以及对语义分割现有两种主流算法分别进行了详细阐述,并分析了全卷积神经网络、编码器-解码器结构和扩张卷积等主流语义分割网络结构的优缺点。其次,针对目前语义分割网络依赖于多级级联的卷积神经网络提取感兴趣区域所导致过多和冗余地使用计算资源和模型参数问题,提出基于注意力机制的改进UNet语义分割的特征提取方法,将注意力门控模块合并到标准U-Net模型中,着重显示通过跳过连接结构传递的高级特征,以避免对无关特征的重复提取。然后详细描述了方法流程、改进后的U-Net网络结构,通过实验对比,证明了改进方案的优越性。然后,针对语义分割网络在小批次训练时所面临的批次归一化统计准确率下降问题,提出基于组归一化的deeplab v3+算法,在原有网络模型的基础上,将原有的批次归一化层调整为组归一化层,有效地平衡了训练所占内存资源与计算误差之间的矛盾,并加入Lovasz-softmax损失函数以适应更多场景下的语义分割问题。最后,针对语义分割中标签数据类别失衡的问题,分析了常用损失函数对数据类别失衡问题的敏感性,选择应用泛化Dice损失函数,并将其结合到现有U-Net算法中,最后通过对比实验证明了该方法的优越性和鲁棒性。
基于种子区域生长的弱监督语义分割算法研究
这是一篇关于图像语义分割,弱监督学习,伪标签的论文, 主要内容为图像语义分割作为计算机视觉研究领域的重要分支,被广泛应用于自动驾驶,医疗图像分析和人机交互等场景。目前,基于深度学习的图像语义分割算法依赖于使用大量的像素级标注用于训练,由于获取此类标注需要昂贵的时间和经济代价,全监督语义分割算法的性能和泛化性均受到了制约。为了减少对像素级标注信息的依赖,基于更弱标注信息的弱监督语义分割算法被陆续提出。本文对基于图像级类别标签的弱监督语义分割算法展开了研究,并针对其中的种子区域生长算法框架提出了优化方案。在该算法框架中,瓶颈主要在于两点:种子区域作为提供目标物体定位线索的基本信息,存在稀疏和对目标物体覆盖率低的问题;种子区域扩展算法容易错误地扩展到背景区域,使得生成的分割伪标签较难具有目标物体的清晰轮廓。本文对上述问题依次提出了优化方案,具体工作如下:1)针对种子区域稀疏的问题,在现有种子区域生成算法的基础上,提出了基于图像块的度量学习任务进行联合迭代优化。该任务通过生成目标物体的图像块提案并对其进行度量学习任务训练,能有效地增强种子区域生成网络对目标物体局部特征的理解能力,从而提高种子区域对目标物体的覆盖精度。2)针对种子区域生长算法中存在的分割边界模糊的问题,我们基于Affinity Net提出了对类别置信度不高的模糊区域像素做进一步像素关联度挖掘的改进方案。基于目标物体的边缘常常存在于模糊区域的观察,我们提出对模糊区域像素与高置信度背景像素进行显式的关联度挖掘以学习更精准的分割边界。本文提出的优化算法能显著地提高基于种子区域生长的弱监督语义分割算法的性能。其中,对种子区域生成阶段提出的基于图像块的度量学习算法在与两种不同的基线种子区域生成算法进行联合训练后,均可以有效地提高种子区域的精度。而在种子区域扩展的步骤中,我们提出的模糊区域像素关联度挖掘算法使种子区域扩展后得到的分割伪标签能具有更清晰的边界轮廓,有效地提高了Affinity Net的性能。充分的实验结果证明了本文提出算法的有效性,优化后的种子区域与分割伪标签均能有效地提高弱监督语义分割算法框架的整体性能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码港湾 ，原文地址：https://m.bishedaima.com/lunwen/48587.html
