基于深度学习的道路语义分割新方法

针对道路图像语义分割效果不够精确的问题,提出一种基于深度学习的道路图像语义分割的改进方法,并与传统的全卷积神经网络模型(FCN)相结合实现道路图像语义分割.先验概率层利用道路图像的先验知识,在所有道路图像训练标签的基础上构建二维数组表示像素点的分类概率,并将它结合传统全卷积神经网络模型对道路图像进行语义分割.实验结果表明:提出的先验概率层的后处理算法能够优化传统全卷积神经网络模型的分割效果,使像素精确度由88.8%提高到91.3%,平均像素精确度由82.9%提高到85.7%,平均交并比值由72.5%提高到77.9%.     

基于混合分割的图像边缘提取算法研究

卷积神经网络在图像语义分割与边缘提取中得到广泛研究,但是在实际应用中存在传统识别器无法抹除域间差异所产生的误差问题。研究针对鉴别器网络性能对整体图像分割存在结果权重较高的问题,提出基于空洞卷积的域识别网络,并将其应用于图像边缘提取中。结果表明,所提出的模型可以在不增加额外训练参数的前提下明显增大感受视野,有效地提升图像分割与边缘提取性能,在GTA5与SYNTHINA公开数据上mIoU分别为44.1%和44.9%。     

基于多任务学习的高光谱图像语义分割算法

针对高光谱图像语义分割中空间信息利用不充分的问题,提出了一种基于多任务学习的语义分割算法,分别为语义分割及基于遥感指数的图像重建任务.网络主要由3D卷积和2D卷积组成,通过主成分分析(principal component analysis,PCA)来减少冗余信息,通过不同任务的重要程度优化两者的损失函数权重.2个特征...     

图像语义分割问题研究综述

图像语义分割作为AI领域的重要分支,是计算机视觉技术中的重要环节,同时也是深度学习算法的重要应用。介绍深度学习应用于计算机视觉技术之前图像处理中语义分割传统算法,并探讨语义分割问题中基于不同神经网络结构模型的深度学习算法及性能,如FCN、U-net算法。最后针对当前图像语义分割算法应用,总结展望未来研究方向。     

基于深度卷积神经网络的图像分类算法

针对传统的图像分类算法忽略图像多个对象之间的关系,同时存在人类感知高层语义信息和底层图像特征表达之间的障碍等不足,引入了基于深度卷积神经网络的人脸图像识别算法.该算法借助于深度学习,对经典的卷积神经网络分别从内部结构和网络框架上进行优化和改进,通过增加网络结构深度和优化训练模型提取出图像高层语义特征,继而提高图像分类的精确度.实验表明,改进后的深度卷积神经网络分类算法具有良好的有效性和鲁棒性.     

一种小波域K-Means遥感图像分类标注算法

由于合成孔径雷达图像（遥感）的相干斑噪声数据丰富,导致传统的遥感图像分割方法分割效果不佳,采用学习理论和神经网络改善图像处理性能。根据图像统计特征,采取神经网络语义提出一种高效的图像纹理特征分割方法。首先,利用K-means聚类提取遥感图像的纹理特征,然后根据遥感图像在小波域中的分布特征对其进行滤波,最后利用语义对滤波后的遥感图像纹理特征和灰度组成的矢量进行分割归类,在遥感图像分割中快速标注分类以便于视觉分析。利用区域一致性分割分类,由聚类样本特征匹配进行图像分类标注,对变化检测进行统计分析,过分割或欠分割误差聚类样本不做标注,选取最佳样本聚类k值标注分类结果。     

融合个体识别的3D点云语义分割方法研究

3D点云能清晰、直观、准确地反映真实场景,其中卷积神经网络、随机森林分类器等都是用于3D点云语义分割的主要研究方法,均取得了良好的实验结果。但是到目前为止,在复杂丰富的3D实景中如何实现分割的多通道化还有很大的研究空间。基于此首先介绍了一种精巧、简单的3D点云语义分割框架,然后提出了一种通过学习语义感知的点级个体嵌入方法,将属于同一个体的语义特征融合在一起,使得每个3D点的语义预测更精确,同时实验结果也说明了这种融合个体识别的语义分割方法是可行的有效的,在精度上较PointNet++结构提高了3. 9个百分点,在速度上处理同样4096个点云数据的速度比先进的SGPN结构快约4倍。     

基于注意力机制的U2-Net图像语义分割

图像语义分割是计算机视觉领域中的一项重要技术,在自动驾驶、医学影像分析、智能家居和安防监控等领域都有广泛的应用。近年,利用深度学习模型进行图像语义分割的方法得到了广泛关注和研究。然而,深度学习模型很容易出现过拟合问题,并且面对一些存在遮挡、噪声的图像时容易预测出错,从而导致模型分割精度下降。针对这个问题,提出了一种联合注意力机制的U²-Net图像语义分割优化方法,在以VGG为主干网络的U²-Net模型中,增加CBAM注意力模块,使网络模型能够更加关注与分割任务相关的区域,忽略掉一些无关或噪声干扰的区域,增强特征图的表征,进而能够有效地提高模型的性能和泛化能力。实验结果表明,在增加CBAM模块后,U²-Net模型的MIoU及准确率分别提高了8.21%和4%。     

基于深度学习的高分辨率遥感图像海陆分割方法

将高分辨率遥感图像进行像素级海陆分割是遥感应用领域的一项基础性工作,对海岸线提取和海洋近岸目标检测具有重要意义,但传统阈值方法往往由于高分辨率遥感图像覆盖范围广、地物纹理复杂等特点而难以取得预期效果。为了提升高分辨率遥感影像海陆分割精度,改善传统阈值方法的不足,基于深度神经网络模型利用编码器—解码器架构,并在编码层中引入残差块,以更好地对特征图进行高级语义信息提取,通过解码层将编码层生成的特征图还原成与输入尺寸相同的特征图,最后通过Sigmoid层对图像进行像素级海陆分割。在高分辨率遥感图像数据集上的实验结果表明,该网络模型取得良好了分割效果,准确率和Kappa系数分别达到了94.3%和93.7%。与传统方法相比,海陆分割精确度得到了有效提升。     

基于PCNN的手腕骨图像自动分割方法研究

在骨龄自动评价系统研究过程中,对X射线图像中的手腕骨有效分割是一项艰巨的工作。为了解决棘手的手腕骨分割问题,提出了一种基于脉冲耦合神经网络(PCNN)的自动分割方法。该方法在合理简化传统PCNN模型的基础上,利用图像的灰度迭代阈值确定PCNN的迭代次数,实现了对手腕骨有效分割,分割结果优于OTSU算法、分水岭分割算法、阈值迭代算法。     

基于改进UNet的人造板表面缺陷的图像分割方法

为满足人造板表面缺陷图像分割的精度要求,提出了一种改进的UNet 语义分割网络模型。 在传统的UNet 网络结构上将编码部分改进为残差网络ResNet50 并去掉连接层与平均池化层,网络通过残差块堆叠获取更多特征的底层信息;同时在跳跃连接中嵌入聚焦注意力机制的模块,抑制干扰信息,保留有效位置信息,聚焦缺陷区域并加强学习。 对4 种UNet 网络模型的人造板表面缺陷图像分割进行仿真比较,结果表明,融合聚焦注意力机制的残差UNet 网络模型在像素准确率和平均交并比等指标上有较大提升,分割精度较高。     

一种基于Parzen窗技术和Tsallis熵原理的图像分割新方法

提出了一种基于Parzen窗技术和Tsallis熵原理的图像分割新方法．该方法采用Parzen窗技术来估计图像灰度值的空间概率分布,再结合Tsallis熵来构造新的目标函数,最后在图像灰度值范围内搜索使该目标函数达到最大值的灰度值作为最佳全局阈值．通过和传统的基于Tsallis熵理论的图像分割方法相比较,结果表明该方法对图像分割精度非常高,且稳定性强．     

基于流形的特定人体组织轮廓的医学图像分割

图像分割是医学图像分析中的重要问题。以前的基于模型的分割算法都是从不特定人群的统计出模型的先验知识。文章提出了一种新的全自动医学图像分割算法.这种方法旨在提出一种基于特定人先验轮廓模型。该模型通过基于流形的学习方法,从而达到更加准确的分割效果。     

地震剖面图像纹理分割研究综述

从地震剖面图像纹理特征提取和图像分割方法两个方面介绍了基于纹理的地震剖面图研究现状,在此基础上总结并讨论了在地震剖面图纹理分割上的改进方向．     

基于图像分割的改进型预测编码

传统的预测编码是通过将图像转化为预测差来消除像素间的冗余度,从而实现图像压缩。为了进一步减小预测差的熵,提出了一种基于图像分割的改进型预测编码算法。实验结果表明,该算法具有比传统预测编码更好的压缩效果。同时,还比较了各种不同的分割方法对图像压缩性能的影响。     

基于GAN的图像超分辨率方法研究

图像超分辨率是一种采用软件算法提高图像空间分辨率的技术,由于传统超分辨率方法超清程度有限,基于深度学习的图像超分辨率方法成为研究者们近年来的研究重点。基于生成对抗网络（GAN）的图像超分辨率方法,在其网络模型结构基础上增加批处理归一化（BN）层以提升网络收敛速度、加强网络训练稳定性,更改上采样层网络并对损失函数作相应修改。在网络训练过程中,选择当前比较通用的Adam优化器。实验结果表明,该方法具有很好的超分辨率图像重建能力,且在训练过程中训练稳定性得到提升,收敛速度也有所加快。     

基于深度学习的个性化教育测量综述

随着人工智能时代信息的爆炸式增长,教育测量的发展也倾向于对学习者个体信息的个性化测量,而教育数据庞大的量、复杂的结构以及极快的增速使得传统测量方法束手无策。教育测量方法应当适应时代发展,在相应的技术支持下实现对学习者个体的个性化教育测量。深度学习技术具有优秀的数据分类处理能力,这在教育测量领域将发挥极大作用。基于深度学习技术特点,综合分析传统测量方法的局限以及基于深度学习技术的教育测量应用优势与不足,完成深度学习技术在教育测量领域的应用综述,并给出深度学习促进教育测量个性化发展的建议。     

基于关键点的目标检测算法研究进展

随着深度学习技术的兴起,目标检测算法正在经历着变革式的发展。作为深度学习目标检测研究领域中最新的一个研究方向,基于关键点的目标检测算法正在得到越来越多的关注,已成为目标检测的一个重要研究方向。本文在对基于深度学习的目标检测技术进行简要回顾的基础上,着重分析了基于关键点的目标检测方法所涉及的核心技术,并从所采用的骨干网络、特征点、COCO数据库中的检测表现等几个角度对相关方法进行汇总,论述了各类方法的检测性能。最后通过对各类方法进行对比总结出当前关键点目标检测方法存在的问题,并对未来的研究方向进行了展望。