多尺度特征融合与新型判别器的无监督分割

工厂在智能化升级过程中,有很多应用场景需要用到语义分割。然而使用全监督语义分割方法需要耗费大量人力成本进行样本标注,所以研究无监督语义分割方法很有必要。针对本地某碳素厂石墨电极压印字符的语义分割问题,提出了一种无监督语义分割方法 CycleGAN-Seg。结合跨层连接和空洞空间池化金字塔(ASPP)的思想,构建了新型多尺度特征融合生成器,加入了改进的注意力模块以提升网络性能。同时提出一种新的U形判别器对重构图像进行判别。在石墨电极表面压印字符数据集语义分割实验中,MIoU值可达70.81%,分割效果基本满足识别需要,有望在该工业场景中替代全监督学习方法,以节省人工标注成本,达到快速训练和部署的目的。

SAR图像无监督分割的空间变化混合MAR模型方法

提出SAR(Synthetic Aperture Radar)图像的空间变化混合多尺度自回归(Spatially Variant Mixture Mul-tiscale Auto Regressive,SVMMAR)模型方法,该模型不仅能刻画SAR图像的空间变化性,而且利用了SAR图像多尺度序列的统计特性;采用的分类器是像素标号的极大似然估计,细化的同时简化了传统Bayes分类器;该模型无需预先抑制斑点噪声,就能获得精确分割结果;并且理论上证明了在图像粗尺度确定分类个数的合理性,在此基础上提出一种在粗尺度确定分类个数的新方法,大大减少了运算量.

基于马氏距离的小麦彩色图像无监督分割研究

为了实现小麦彩色图像的自动分割,通过采集大田环境下6个品种的小麦图像样本,基于RGB颜色空间,采用马氏距离对图像的像素进行分类,并构建一个无监督分割模型.结果表明,该模型可以快速的分离出小麦图像与背景图像,与有监督的分割方法的分割效果相当,差异性在19%以下,可以应用于大田环境下小麦群体图像的自动分割.

基于多尺度随机模型的SAR图像无监督分割

根据SAR图像的成像机理,利用两种多尺度随机模型,即多尺度自回归(MultiscaleAutoregressive,MAR)模型和多尺度自回归滑动平均(Multiscale Aautoregressive Moving Average,MARMA)模型,分别来描述同一场景不同分辨率SAR图像像素间的统计相关性,并构造了相应的多分辨混合算法实现SAR图像的无监督分割。试验结果表明,提出的两种无监督分割方法是可行的,且MARMA模型比MAR模型能够更精确地捕捉SAR图像多尺度序列中不同类型地形的统计信息,使分割质量具有明显的改进。

基于广义多分辨似然比的SAR图像无监督分割方法

首先在多分辨四叉树上定义了一个广义多分辨似然比,刻画并且累积了SAR(syntheticaperture radar)图像中目标与背景在不同分辨率上的差异,从而增大了目标与背景之间的区分度。为了达到图像无监督分割目的,提出一个有效的空间变化混合多尺度自回归(spatially variantm ixture m u ltiscale autoregressive简称SVMMAR)模型方法,利用该模型分别估计出每个分辨率上广义多分辨似然比中一组密度函数的参数。为了考虑被分类象素与周围象素之间的M arkov性,减弱对噪声的敏感性,利用开窗技术来确定中心象素点的类别。实验中与通常的分割技术作了比较,也表明该方法不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度都表明该方法具有较强优势。

变权重MRF算法在图像自动无监督分割中的应用

为了实现图像的自动无监督分割,本文提出类自适应变权重马尔可夫随机场分割算法。首先结合最小描述长度准则,自适应计算马尔可夫随机场框架下的图像分类数;然后引入变权重的马尔可夫随机场算法,扩大势函数的选择范围,消除势函数的复杂计算;最后用迭代条件模式进行优化,获得最大后验概率准则下的分割图像。在Matlab环境中的测试结果表明,该算法具有实效性,能正确计算分类数,同时有效减少了分割错误。

基于最大熵投票模型的时间序列无监督分割

通过高维时间序列分割可以创建高级符号表示。提出一种针对高维时间序列的无监督分割算法,用于解决高维数据符号化的预处理问题。该算法实现对高维数据的聚类,应用最大熵投票模型进行序列分割。实验结果表明,其平均查全率和查准率分别为0.86和0.88,且整体性能优于主成分分析算法和概率主成分分析算法。

一种无需初始化的遥感图像无监督分割方法

遥感图像自动分割通常为有监督分割或带初始化的无监督分割,算法的性能受先验统计知识和初始点选择的影响较大.本文提出一种既无需统计先验也无需初始化的全自动分割方法.该方法基于图割理论和遥感图像自身数据特点建立模型,在迭代应用快速能量最小化方法的过程中融入一种自动初始化方法,实现全自动的分割.实验结果表明了该分割方法的有效性,有利于遥感图像进一步的目标检测识别.

SAR图像双Markov-EAR模型的纹理无监督分割

单视SAR图像保留了最大的分辨率和场景可观测的全部纹理信息,根据单视SAR图像的统计性质,在双M arkov模型的框架下,对低层M arkov随机场提出了指数自回归EAR纹理模型,并对纹理含噪情形下的高层M arkov随机场模型给出了一种参数估计方法及相应的无监督分割算法。实验结果表明,与以往的有监督GAR模型和不考虑纹理的模型相比,无监督的双M arkov-EAR模型能大量降低分割时的错分率。

基于广义多分辨似然比和混合多尺度自回归预报模型的图像无监督分割

提出广义多分辨似然比(generalized multiresolution likelihood ratio,简称GMLR)的概念,给出其Bayes准则下的假设检验和判别准则。GMLR不仅能融合信号的多个特征量,增大不同信号间区分度,而且在融合时无需假定各特征量之间的相互关系,这使得它能进行比较精确而方便的判别分析。在SAR(synthetic aperture radar)图像分割应用背景中,利用混合多尺度自回归预报(mixture multiscale autoregressive prediction简称MMARP)模型估计预报图像的GMLR的原假设和备择假设参数,然后将判别准则应用到预报图像,从而对原SAR图像进行分割。实验与几种流行的SAR图像分割方法进行了比较,结果表明了该理论方法的显著性:不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度考虑,都优于上述通常的分割方法。

基于广义多分辨似然比的SAR图像无监督分割

考虑定义在多分辨四叉树上的广义多分辨似然比,该似然比刻画并且累积SAR(Synthetic Aperture Radar)图像中目标与背景在不同分辨率上的差异,从而增大了目标与背景之间的区分度。提出一种SAR图像无监督分割算法,利用经典的混合模型方法分别估计出广义多分辨似然比中一组密度函数的参数。为了考虑被分类像素与周围像素之间的Markov性,减弱对噪声的敏感性,利用开窗内像素的广义多分辨似然值的和的大小来确定中心像素点的类别。实验中与通常的分割技术作了比较,也表明该方法不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度都表明该方法具有较好的效果。

基于多尺度非线性随机模型的SAR图像无监督分割

完成情况简介：本项目建立了多尺度非线性随机模型及其估计理论，其中包括混合多尺度自回归过程、多尺度自回归滑动平均过程、空间变化混合多尺度自回归滑动平均过程、空间变化混合多尺度自回归预报模型，以及多分辨混合分布模型、多分辨投影寻踪模型等；研究了上述模型的统计性质和估计方法，进行了谱聚类的扰动分析，给出了权矩阵的谱与聚类的类数、权矩阵特征值的大小与每一类所含点的个数、以及权矩阵的特征向量与聚类之间的关系。

基于多尺度图像块的SAR图像无监督分割

提出了一种基于多尺度图像块的SAR图像无监督分割方法。在利用高斯混合模型进行图像分割时,大多采用的是基于单个像素的分割方法,这种方法由于未考虑像素周围邻域结点的信息,分割精度往往不高。论文考虑到SAR图像具有很强的斑点噪声,为了更好地抑制斑点噪声对分割结果的影响,在多分辨分析的基础上提出了一种基于多尺度图像块的图像分割新方法。实验表明,这种基于多尺度图像块的分割较在单个像素下多尺度Markov模型的MPM分割好,分割精度有了较大的提高。

基于运动引导的高效无监督视频目标分割网络

大量基于深度学习的无监督视频目标分割(Unsupervised video object segmentation,UVOS)算法存在模型参数量与计算量较大的问题,这显著限制了算法在实际中的应用.提出了基于运动引导的视频目标分割网络,在大幅降低模型参数量与计算量的同时,提升视频目标分割性能.整个模型由双流网络、运动引导模块、多尺度渐进融合模块三部分组成.具体地,首先,RGB图像与光流估计输入双流网络提取物体外观特征与运动特征;然后,运动引导模块通过局部注意力提取运动特征中的语义信息,用于引导外观特征学习丰富的语义信息;最后,多尺度渐进融合模块获取双流网络的各个阶段输出的特征,将深层特征渐进地融入浅层特征,最终提升边缘分割效果.在3个标准数据集上进行了大量评测,实验结果表明了该方法的优越性能.

深度信号引导学习混合变换器的高性能无监督视频目标分割

现存的无监督视频目标分割方法通常使用光流作为运动线索来提升模型性能.然而,光流的估计常存在误差,这将导致双流网络易对噪声过拟合.为此,本文提出一种基于混合变换器的无监督视频目标分割算法,通过引入深度信号引导变换器高效融合不同模态数据,以学习更加鲁棒的特征表达,从而减轻模型对噪声的过拟合.首先,设计一个新颖的混合注意力模块来获得全局感受野并对不同模态的特征进行充分交互,以增强特征的全局语义信息来提升模型的抗干扰能力.接着,为了进一步感知精细化的目标边缘,设计了一个局部-非局部语义增强模块,将局部语义的归纳偏置引入补充学习非局部语义特征,在提升模型抗干扰力的同时突出更精细化的目标区域.最后,增强后的特征输入变换器的解码器,预测得到高质量的分割结果 .与最先进的方法相比,本文所提算法在四个标准数据集上都获得了领先的性能,充分表明了本文所提方法的有效性.

轨道交通户外站台门与列车间隙背景灯带图像分割算法研究

轨道交通在发车前需要清空站台与列车间隙,否则异物入侵会对乘客与列车运行造成安全隐患,基于背景灯带的异物入侵检测需要对灯带在图像中进行图像分割、提取、识别。针对在户外站台场景下,复杂背景和日光等因素为背景灯带提取带来困难的问题,提出一种无监督的图像分割算法。首先通过卷积神经网络进行特征提取,然后将特征图输入到后续分类器中对所有像素进行类别输出。在训练过程中,使用的损失函数从三方面进行设计:考虑特征相似度和空间连续约束、基于深度支持向量描述以及基于几何与光度增强。算法能够实现单样本无监督对神经网络参数进行调优。通过对某城轨站台真实数据采集及实验结果表明,本文提出的方法在与训练样本不同光照条件、拍摄角度条件下,对背景灯带进行分割的F1分数为78.47%;在性能优于其他方法的同时,耗时最多能减少97.1%;算法为基于背景灯带的异物检测方案提供一种行之有效的图像分割方法,为后续的异物自动检测提供基础。

基于MPM准则的无监督SAR图像分割

提出了一种基于MPM(maximizationoftheposteriormarginals)准则的SAR图像无监督分割方法 。

分水岭算法和基于MRF的层次聚类相结合的混合无监督图像分割算法

提出一种新的混合多阶段无监督图像分割算法。在第一阶段,通过分水岭算法得到一幅过度分割的图像,该图像中的所有小区域作为初始聚类状态将在接下来的层次聚类阶段中被合并。在第二阶段,一种新的启发式的基于Bayesian方法和Markov随机域的计算模型被用于基于区域的层次聚类算法,该算法用来合并初始分割结果中的邻接区域,以改进分水岭算法的分割效果。深入分析了该计算模型中两个相互作用的部分。通过对多种不同种类图像使用该算法进行分割,表明这种多阶段的方法适合无监督分割,它按照视觉一致的方式合并区域,并且比传统的层次聚类算法快很多。

一种多尺度无监督遥感图像分割方法

提出了一种多尺度无监督遥感图像分割方法。通过对多尺度图像数据在每个尺度上进行Gauss子集聚类,并将每个像素的邻域内的Gauss子集类别标记作为特征向量,利用Markov四叉树模型进行二次聚类,从而实现无监督图像分割。与其他基于多尺度Markov模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。合成图像与SAR图像的实验结果表明,该方法的分割精度接近于有监督的H-MPM和H-SMAP方法。

非参数邻域统计的无监督纹理分割方法

介绍了一个新颖的无监督分割方法,这种方法依赖于一个通用的图像邻域的非参数统计模型,直接建模图像邻域,不用建立中间特征.它不是针对某种特定纹理,而是通用在各种纹理上.文章通过静态随机域和非参数的高阶统计模型探讨了图像纹理的基本描述.文章中提到了适合各种纹理的通用的公式.方法的思想是通过最小化图像邻域的概率密度函数的熵来给出最优分割.熵的最小化使用了一种快速的水平集方案.这种方法并不依赖于学习阶段的数据,是无监督的.根据数据的信息内容自动调整内部一些重要参数.