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。     

基于多尺度特征注意的遥感图像语义分割方法

提出了一种基于多尺度特征注意网络的遥感图像语义分割方法,用于精确的像素级分割问题。通过利用由Transformer主干网络的不同层提取的多尺度特征,设计了一个双向聚合特征金字塔网络来捕获长距离依赖关系和细粒度细节。在网络结构中并行加入一个通道注意分支,从通道维度进行注意力增强以提高分割准确性。通过在两个高分辨率遥感数据集上的实验证明了该方法的有效性,实验结果优于其他分割方法。     

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。     

基于深度学习的图像语义分割技术综述

图像分割是计算机视觉领域的一个重要方向,是图像处理的核心环节.伴随深度学习技术的发展,结合深度学习的图像分割技术在精确度上远超传统图像分割方法.卷积神经网络(CNN)与全卷积神经网络(FCN)的提出极大促进了图像语义分割技术发展,研究人员提出了很多新型网络模型,分割精准度大幅度提升.从传统语义分割方法、深度学习与传统方...     

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...     

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%。     

基于热力图像的道路场景稠密多级语义分割方法

语义分割能帮助自动驾驶实现精准感知。为解决彩色图像在模糊或昏暗场景下分割效果差，提出一种基于彩色图像和热力图像的多级融合语义分割网络。将语义分割任务分解为4个阶段，包括稠密多级融合特征提取、前景显著定位、目标分割任务和边界细化。主干网络提取热红外信息，将提取后的信息作为辅助信息与彩色图像信息进行融合，对融合后的特征进行前景和背景区域的区分，并用于目标分割和边界细化。多场景实验仿真表明，本方法能够有效提升模糊和昏暗场景下的道路场景分割效果。     

基于深度学习的杂草识别系统

田间除草技术在农业生产中具有重要意义。针对复杂背景下农作物与杂草识别率低、算法鲁棒性差等问题,提出一种图像分割网络 Res-Unet。该网络为 unet 网络的改进版本,采用 resnet50 网络代替 unet 主干网络,解决复杂背景下农作物与杂草区域提取困难、小植株检测效果差、分割边缘震荡、变形问题。将图像的平均交并比、准确率、训练时长作为评价指标进行实验。结果表明：使用 Res-Unet 模型的平均交并比为 82.25%,平均像素准确率为 98.67%。改进的 Res-Unet 模型相对于 Unet 平均交并比高出 4.74%,相较于 segnet 平均交并比高出 10.68%,训练时间减少 3 小时。该方法对复杂背景下甜菜杂草检测效果良好,可为机器人精确除草提供参考。     

巧妙转化求面积

[题目]图1是市民广场一块草坪的平面示意图,你能算出它的面积吗？ 方法一：将原图分割成一个正方形和一个梯形（如下页图2）,     

改进型U-Net网络的左心室超声心动图像分割

超声心动图像是诊断心脏疾病、分析心脏功能的重要手段,其中左心室大小、形态是判断心脏是否正常的重要参数,而对超声心动图像中左心室进行有效分割是获取左心室大小、形态等参数的关键.在传统U-Net网络基础上引入密集链接,构建一种对左心室超声心动图进行精确分割的深度学习模型.实验结果表明,密集链接的引入可以有效提高分割精度,,...     

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%.     

数学创新思维竞赛

1．如图1．将一个正方形切去1/4,请将剩下的部分分割成4块．使它们的形状、大小都相同．（要求没有多余的部分．分割成的4块中间不空）     

变电站指针式仪表示数识别方法研究

为对处于复杂环境中的变电站指针式仪表进行示数识别,提出一种基于深度学习的指针式仪表示数识别方法.首先使用目标检测算法YOLOv3检测图片中仪表和仪表刻度值的位置,并使用基于LeNet-5网络的字符识别算法识别刻度数值;然后使用语义分割算法DeepLabv3+分割出仪表指针区域;最后使用角度法读取仪表示数.实验结果表明,...     

基于语义分割的高速公路天气识别算法

为了实现高速公路场景下天气图像的准确识别,文章提出了一种基于语义分割的高速公路天气识别方法,通过设计一种结合语义分割模型提取道路区域特征的方法,构建了基于语义分割的结合道路天气图像全局特征及道路特征的融合网络,实现对高速公路的天气识别。在道路预处理阶段,应用具有密集连接结构的多尺度特征提取模块DASPP到Deep Labv3+网络,增大模型在不同尺度特征上的分辨率密集程度和特征图在不同维度的感受野,进而有效改善道路提取的效果。在特征提取阶段,基于引入深度可分离卷积层的Xception网络,设计了天气特征提取网络WFCN,分别提取输入图像和道路区域图像的全局天气特征和道路天气特征并进行融合分类,有效降低模型参数量和运算量,并增强模型的性能。在构建的高速公路数据集上,对设计的算法分别进行了消融实验和对比实验,实验结果证明了该算法的有效性及相比现有天气识别算法的优越性。     

一个极为明显的失误

教师让学生思考九册72面的思考题:“计算下面图形(如图1)的面积,你能想出几种解法?”学生采用将原图分割成两部分,先分别求各部分面积,然后求总面积的办法,很顺利地找出了三种解法(分割方法如下面图2～图4所示,解法从略)。     

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。     

一种改进迭代条件模型的遥感影像语义分割方法

随着遥感影像空间分辨率的提高,地物纹理细节更加丰富,采用传统的语义分割方法使分割结果过于细碎,整体性不强。针对该问题,提出一种改进迭代条件模型的遥感影像语义分割方法。首先采用L0梯度最小化模型对遥感影像去噪,然后采用迭代条件模型,通过更新影像中每个点的标记完成影像分割,最后采用Kappa指数对实验结果进行精度评价。实验结果表明,该方法是一种有效的遥感影像语义分割方法。     

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%。     

语义网络的结构:我们怎样学习语义知识

分析了2个大型语义网络HowNet和WordNet的全局意义结构.发现两者都是具有小世界和无尺度特征的复杂网络,但具有一些独特的属性.两者连接度分布的幂律指数介于1·0和2·0之间,而不是像许多常见的无尺度网络一样接近于3·0.连接度相关系数都小于0,与生物性网络相似.BA模型以及与其相似的一些模型不能对其动力学加以解释.节点连接度与其聚集度指数之间遵循标度律,表明网络中可能存在自相似的层次结构.认为人类学习语义知识的几种主要方式如聚合与隐喻等影响了语义网络的这些结构特征.     

带权图Laplacian矩阵次小特征根下界

谱图理论是图论的重要研究分支,其思想广泛应用于计算机科学的各个领域.带权图Lap lac ian矩阵的次小特征根λn-1的估计被应用于在图像分割和图数据表示中.用代数方法对λn-1的下界进行估计,并讨论非带权图情况下λn-1的下界.