基于非特定类别图像前景主体分割的深度学习算法研究

通过在Mobile-Unet网络的基础上加入SENet通道注意力机制来改进图像前景主体分割算法。改进后的算法引入深度可分离卷积来减小模型参数量,同时利用跳跃连接和多尺度特征融合来提高模型的分割精度。在训练过程中,采用了带空洞卷积的空间金字塔池化模块来增加感受野,提高模型对于大尺度物体的识别能力。实验结果表明,改进后的算法在PASCAL VOC2012数据集上达到了96%的MIOU(Modular Input/Output Unit)分割精度,准确率达到了0.971,优于现有的多种图像分割算法,例如FCN全卷积神经网络算法。在速度方面,模型对于每张图片的处理时间为1.7~2.5 s,改进后的算法相对于传统的全卷积神经网络具有更快的推理速度,适合于在移动设备上实现实时图像分割。通过对比实验,比较了改进前和改进后的Mobile-Unet模型以及FCN模型对于明亮条件下和昏暗条件下图像前景主体分割的效果,并得出了改进后的Mobile-Unet模型具有最好效果的结论。最终进行算法的部署,设计了GUI可视化操作界面,并生成.exe可执行文件。

基于多视图和显著性分割的古生物三维模型检索

使用古生物化石图像检索古生物三维模型是一种建立和管理古生物三维数据库的有效方式,而直接以化石图像或复原图像检索古生物三维模型精确度较低。针对此问题,该文提出一种基于多视图和显著性图分割模型相结合的古生物三维模型检索方法。首先,在三维模型投影的基础上,对投影图像和检索图像使用显著性分割网络进行主体分割得到主体特征,然后,利用主体特征进行匹配得到相似投影图像对应的三维模型。在自建的古生物数据集上进行验证,该文所提方法最近邻准确度为0.845,F值为0.782,折损累计增益为0.856,各类别平均准确率为0.754。该方法可以有效地适应古生物数据集,并且准确率相对较好,能够辅助古生物三维模型的检索。

基于超像素的多主体图像交互分割

目的为解决多主体图像的交互分割问题,在保证分割效果的前提上,提高分割的效率,达到实时交互修改分割结果的目的,提出基于超像素的图像多主体交互分割算法。方法基于图像的超像素构造一个多层流网络,利用用户交互绘制的简单笔画给出多主体分割的指导信息。流网络的边权值保证利用图割算法将图像分割成多个部分后,每个部分代表图像的一个主体。允许用户交互给出标记,实时修改分割结果,直到得到满意的多主体分割。结果通过实验显示,本文方法能得到的满意多主体分割结果,而且时间效率较高。对分辨率为449×275的图像,算法能在1 s内给出结果,满足实时修改的要求。结论基于超像素建立的图规模较小,能大大减少图割算法的运行时间,达到用户实时交互添加新笔画信息,交互地修正分割结果的目的。利用超像素的边界信息,用户只需输入比较简单的笔画信息,分割算法就能得到正确的多主体分割结果。