基于全连接条件随机场的车道线检测方法

【目的】优化车道线检测结果中的噪声区域,提高边缘分割精度。【方法】提出一种深度学习算法与后处理方法相结合的新方法;引入全连接条件随机场(Fully Connected CRFs)算法对ENet-SAD算法输出的车道线概率图进行修正,并将概率图与原图进行拟合,得到车道线检测结果;将新的检测算法在自建数据集及CULane数据集上进行训练及测试。【结果】在自建数据集上,新算法在常规、强光、阴影、遮挡4种场景下的F1分数分别为90.0%、73.1%、81.5%、76.6%;在CULane数据集上,该算法在常规场景下的F1达到了91.0%。【结论】所提出的车道线检测算法能适应多类场景,是一种有效的车道线检测算法。

融合全卷积网络与条件随机场的高光谱语义分割

针对高光谱遥感影像分割精度不足与单一网络信息流尺度存在局限性的问题,提出了基于双流框架的高光谱分割算法。算法融合深度学习模式中的全卷积神经网络(full convolutional networks,FCN)和高效判别式概率模型条件随机场(conditional random field,CRF),形成了高光谱影像语义分割算法FCN-CRF。在预处理阶段增加PCA(principal component analysis)降维,上采样阶段使用了混合上采样MUS(mix up-sampling)模块,形成了双流框架FCN-CRF分割算法。经过高光谱数据集Pavia University和Indian Pines测试,结果显示,相较于其他一些分割算法,FCN-CRF精度最高,总体精度分别达到了99.01%和98.60%,其参数量较少,运行效率较高。在不同地物类型中,该算法针对人工建筑物分割效果较植被好,边界保持较好。

全卷积神经网络与全连接条件随机场中的左心室射血分数精准计算

左心室射血分数是临床上用于衡量心脏健康的一项重要指标.为提高左心室分割和射血分数计算的精度,提出一种基于改进的全卷积神经网络和全连接条件随机场的方法.首先利用预训练的全卷积神经网络模型对心脏核磁共振影像进行左心室分割并输出概率图;之后采用3D全连接条件随机场对概率图进行后处理,完成像素级的精准密度预测;最后对左心室分割结果进行3D重建,并计算左心室舒张末期容积和收缩末期容积,进而计算出射血分数.实验结果表明,该方法能够实现左心室射血分数的精确且高效的计算,对左心室射血分数的平均预测误差为4.67%,各步骤耗时短.

基于全连接条件随机场模型的眼底图像血管分割

大多数身体疾病都可引起眼底图像中血管形状和结构的改变,对眼底图像中血管的有效分割有助于各种疾病的早期发现、诊断和治疗。利用眼底图像分割过程中远距离像素之间会存在相互作用的特点,提出一种基于全连接条件随机场模型的眼底图像血管分割方法。该方法通过计算图像中与目标像素距离较远的像素之间的相互作用,增强了对细长结构连接性的检测能力。将原本用于大面积分割事物的方法成功运用到眼底图像的具有细长结构的血管分割上。采用不同的支持向量机实现对不同像素进行分类及相关参数的自动调节。使用与现有大多数血管分割方法共用的DRIVE和HRF数据库进行测试,结果表明该分割方法有效解决了细小血管处连续性较差、血管融合、断裂等问题。与现有的一些分割方法相比,此法更适合于分割细长结构,对血管的分割效果更接近于专家的手动分割结果,且在灵敏性、特异性等方面都有较大改善。

联合Dilated U-net和全连接条件随机场的黄斑水肿区域自动分割模型

目的视网膜光学相干断层成像(Optical Coherence Tomography,OCT)图像黄斑水肿(Macular Edema,ME)区域的自动分割可辅助临床诊断和决策。以提高OCT图像中ME区域分割精度和效率为目的,本文提出了一种联合Dilated U-net网络和全连接条件随机场(Conditional Random Field,CRF)的ME区域全自动分割模型。方法该模型包括两个方面。鉴于U-net网络结构简便和运算高效等特性,用孔洞卷积代替传统卷积增大网络感受野,构建面向OCT图像ME区域分割的网络架构Dilated U-net,实现视网膜ME区域的粗分割。以ME区域的粗分割为初始轮廓曲线,利用全连接CRF实现视网膜ME区域的高精度优化。结果选用200幅OCT图像进行实验,采用精确率、召回率和Dice相似系数对分割精度进行分析,结果表明,本文模型较C-V和SBG等传统分割模型具有更高的分割精确率和Dice相似系数,分别为95.94%和95.52%;较FCN、PSPNet和Deeplab等网络分割模型具有最高的分割效率,单幅OCT图像中ME区域的分割时间降至0.9 s。结论将Dilated U-net与CRF结合改进的ME区域自动分割模型,不仅可获取ME区域的抽象特征,亦兼顾了图像的上下文信息,使ME区域的分割结果更加准确。本文模型不仅提高了病变区域分割的精度,同时降低了分割耗时,适用于视网膜ME区域的高精准分割。

基于全卷积网络和条件随机场的宫颈癌细胞学图像的细胞核分割

针对宫颈癌细胞学筛查中由于宫颈细胞核形状复杂多样等因素而导致分割不够精确的问题,提出了一种结合了全卷积网络(FCN)和全连接条件随机场(CRF)的细胞核分割方法。首先,根据Herlev数据集的特点搭建微型全卷积网络(T-FCN),利用细胞核区域像素级别的类别先验信息,自主学习多层次特征来获取细胞核的粗分割结果;然后,通过最小化包含有整幅细胞图像中所有像素类别、像素色彩值与位置等信息的全连接CRF的能量函数来剔除粗分割结果中微小的误分割,并细化分割边缘。在Herlev数据集上的实验结果显示,提出的方法在查准率(Precision)、查全率(Recall)与Zijdenbos相似性指数(ZSI)上均有高于0.9的表现,表明得到的细胞核分割结果与其真实轮廓高度匹配,分割精确。相较于传统方法中对异常细胞核的分割精度较正常细胞核低的情况,提出的方法在异常细胞核的分割指标上普遍优于正常细胞核。

全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类

针对经典全卷积网络(fully convolution network,FCN)分类精度低、效果差,以及传统的极化合成孔径雷达(PolSAR)土地覆盖分类方法未充分考虑地物散射特性的问题,提出了一种结合改进FCN和条件随机场(conditional random field,CRF)的全极化SAR土地覆盖分类算法。首先,利用Freeman分解和Pauli分解建模全极化SAR影像,同时提取各分解对应的散射特征,参考Freeman分解散射功率获取其主散射分量对应的主散射地物;同时,借鉴在图像分类领域中具有卓越表现的FCN-Vgg19-8s网络,考虑其高层卷积参数量大和低层卷积模型参数优化程度不足,通过在高层和中层分别构建多尺度卷积组和代价函数设计了FCN-MD-8s网络,保证对整体模型参数进行降维和优化;以Freeman分解散射机理特征为基准,采用级连式迁移学习结构,实现FCN-MD-8s网络的模型训练和测试;然后,根据主散射分量所对应的主散射地物,在各分量预测图中提取出主特征地物,得到分量地物分类结果,并将其进行叠加得到全局粗分类;最后,利用全连接CRF结合Pauli相干分解重建假彩色图,对全局粗分类进行全局像素类别转移获得细分类结果。通过对分类结果定性和定量分析,可知提出算法具有有效性和可行性。

基于超像元全连接条件随机场的高分辨率遥感影像变化检测

随着传感器技术的进步,遥感影像分辨率不断提高,高分辨率遥感影像的变化检测技术已经成为遥感领域的研究重点。传统的中低分辨率影像变化检测方法无法在高分辨率影像中取得较好的检测结果。提出了一种基于超像元全连接条件随机场的高分辨率遥感影像变化检测模型,用以提升高分辨率遥感影像变化检测精度。该方法通过变化矢量分析(CVA)产生差分影像;对差分影像进行超像素分割,得到超像元差分影像;构建超像元全连接条件随机场模型并利用图割算法进行推理获得二值变化图。实验结果表明,所提出的方法提高了高分辨率遥感图像变化检测的精度。

全卷积网络结合改进的条件随机场-循环神经网络用于SAR图像场景分类

传统合成孔径雷达(SAR)图像基于粗分割像素块提取相关特征,后接支持向量机(SVM)和马尔可夫随机场(MRF)或条件随机场(CRF)进行分类,该方法存在同一像素块内部不同类别像素的误差,而且只考虑邻近区域未充分用到全局信息和结构信息。故考虑基于像素点引入全卷积网络(FCN),以ESAR卫星图像为样本,基于像素点级别构建卷积网络进行训练,得到各像素的初始类别分类概率。为了考虑全局像素类别的影响后接CRF-循环神经网络(CRF-RNN),利用FCN得到的初始概率,结合CRF结构得到全局像素类别转移结果,之后进行RNN的迭代进一步优化实验结果。由于基于像素点和考虑了全局信息与结构信息,克服了传统分类的部分缺点,使正确率较传统SVM或CRF方法平均提高了约6.5个百分点。由于CRF-RNN的距离权重是用高斯核人为拟合的,不能随实际训练样本来改变和确定,故存在一定误差,针对该问题提出可训练的全图距离权重卷积网络来改进CRF-RNN,最终实验结果表明改进后方法的正确率较未改进的CRF-RNN又提高了1.04个百分点。

基于全卷积神经网络与条件随机场的车道识别方法

本文针对传统车道识别方法在复杂路面中自适应能力差的特点,基于图像分割技术提出了一种基于全卷积神经网络与条件随机场的车道识别方法。该方法通过大量数据的训练,使神经网络模型可以识别出车道,并且再通过条件随机场使得分割出来的车道覆盖面积及车道边缘的处理更加完善。同时,本文为了解决高速公路中对检测实时性的高要求,设计了一个全卷积神经网络,该网络结构简单,只有13万个参数,并且做出如下三点改进:采用BN算法提高网络的泛化能力及收敛速度;采用了LeakyReLU激活函数取代了一般使用的relu或者sigmoid激活函数,并且采用Nadam作为网络的优化器使得该网络具有更好的鲁棒性;采用条件随机场作为后端处理解决车道边缘处分割不足并且加大了车道覆盖面积。最后本文为了解决城市道路检测中道路环境复杂的问题,利用FCN-16s网络模型加条件随机场的后端处理实现了复杂城市道路的识别。实验证明,在面对高速公路的高速及车道简单环境下,本文设计的网络模型更具有实时性且足够胜任车道的识别。在面对城市道路的复杂环境下,FCN-16s模型加条件随机场更能精确地识别出车道,并在KITTI道路检测基准上取得不错的结果。

深度卷积融合条件随机场的遥感图像语义分割

为了实现高分辨率光学遥感图像的语义分割,提出了一种基于深度卷积融合条件随机场的图像语义分割方法。该方法在全卷积神经网络模型的基础上增加反卷积融合结构结合不同深度的池化层结果,将浅层的细节信息和高层的语义信息融入网络模型,同时将条件随机场的参数推断以迭代层的形式嵌入网络架构,搭建网络模型,在模型训练的正反向传播过程中综合利用遥感图像丰富的细节信息和上下文信息,实现端到端的遥感图像语义分割。在高分辨率遥感图像中进行的实验结果显示:随着模型中反卷积融合结构结合池化层深度的增加,语义分割处理精度逐渐提高,语义分割结果中的地物轮廓也更清晰、准确;上下文信息的引入也在一定程度上提高了图像语义分割的精度。实验表明该方法能够较好地保持语义对象内部区域的一致性,有效提高图像语义分割的精度。

基于条件随机场的中文命名实体识别研究

条件随机场模型是文本信息抽取的重要方法之一,在命名实体识别方面CRF性能要明显优于隐马尔科夫模型和最大熵模型。本文以基于字一级的条件随机场模型实现了中文命名实体识别,取得了较好的识别效果。

基于SegNet_CRF的遥感影像水体提取方法

水体的自动提取对于洪水监测、水资源管理等方面有着重要意义。本文提出了SegNet_CRF语义分割方法,可从遥感影像上自动提取水体。首先,在SegNet编码器和解码器之间植入空洞卷积特征提取块,融合不同尺度的特征,然后在分类后处理中引入条件随机场,对提取结果进行精细化处理,最后与FCN、经典SegNet网络水体提取结果对比,结果表明,SegNet_CRF网络结构在Recall、Precision以及F1-score指标上都有所提高,水体提取结果更加准确完整,抑制噪声能力更强。SegNet_CRF网络可有效地实现水体提取任务。

融合级联CRFs和U-Net深度学习模型的遥感影像建筑物自动提取

针对深度学习模型进行建筑物提取时存在的建筑物边缘模糊问题,将级联CRFs(全连接条件随机场)引入到U-Net深度模型中,提出了一种改进的U-Net模型(U-Net+级联CRFs),以用于遥感影像建筑物自动提取:构建级联CRFs并将其引入到U-Net模型的解码层中,从多层结构中学习边界信息,增强模型对建筑物边界的分割能力。并以广东省佛山市为研究区,利用U-Net+级联CRFs、U-Net+CRFs、U-Net、SVM模型进行建筑物提取实验。结果表明U-Net+级联CRFs模型可以有效识别建筑物边界信息,提高建筑物提取的精度:U-Net+级联CRFs模型在准确度、召回率、F1值和交并比4个指标上的均值分别达到了93.1%、87.5%、91.4%和85.1%,均优于U-Net+CRFs、U-Net、SVM模型。

基于多尺度全卷积与CRF的路面裂缝检测算法

针对已有路面裂缝检测算法对细小特征提取不够完善,并且未考虑到全局信息的问题,提出一种具有全局信息的多尺度全卷积神经网络路面裂缝检测算法。该算法融合了3个具有不同空洞卷积率的单尺度空洞卷积,构成多尺度空洞卷积,在不丢失分辨率的情况下扩展感知范围,减少参数计算量。利用反卷积层融合深层信息与浅层信息来扩充图像细节。最后将网络与一个条件随机场实现端到端的连接以计算损失值,优化处理结果。算法可有效避免特征丢失,实现多尺度裂缝感知,并对全局像素信息进行传递。模型在8048张数据集上进行训练,在200张测试集上取得的交并比为80.3%,平均准确度为96.9%,查准率为69.7%,召回率为91.7%,实验结果表明多尺度全卷积与条件随机场算法优于经典全卷积算法。

改进SegNet+CRF高分辨率遥感影像建筑物提取方法

将传统的语义分割SegNet网络用于高分辨率遥感影像的建筑物提取时,分割的建筑物存在边界模糊、精度较低、错检漏检等问题;为了解决上述问题,提出一种改进SegNet网络+CRF语义分割方法;编码阶段的最低分辨率层引入空洞金字塔池化模型(ASPP,atrous spatial pyramid pooling),通过并行的空洞卷积操作扩大特征提取的感受野;解码阶段构建特征金字塔(FPN,feature pyramid networks)实现特征多尺度融合,弥补上采样过程中丢失的特征信息;最后,预测图像送入全连接条件随机场模型(CRF,fully connected/dense CRF)进行后处理,优化提取的建筑物边缘;实验表明,相较于原SegNet网络,改进方法的建筑物提取像素精度、召回率、平均交并比分别提高了0.48%、1.29%、2.36%。

全连接条件随机场高分辨率遥感影像面状地物交互提取

提出一种基于全连接条件随机场高分辨率遥感影像面状地物交互式提取方法。通过人工交互标记估计前景模型,结合光谱与纹理特征,在利用简单线性迭代聚类算法对输入影像进行过分割的基础上,通过基于区域的最大相似融合对前景区域进行扩充,建立全连接条件随机场描述影像的全局信息。以均值场估计为基础,利用高维高斯滤波方法实现模型推断,进而获取面状地物轮廓。通过对高分遥感影像上水域、林地、梯田等面状地物的实验提取,证明了该方法的有效性。

基于改进DeeplabV3+的水面多类型漂浮物分割方法研究

【目的】为解决传统图像处理方法鲁棒性差、常用深度学习检测方法无法准确识别大片漂浮物的边界等问题,【方法】提出一种基于改进DeeplabV3+的水面多类型漂浮物识别的语义分割方法,提高水面漂浮的识别能力。对所收集实际水面漂浮物进行分类,采用自制数据集进行对比试验。算法选择xception网络作为主干网络以获得初步漂浮物特征,在加强特征提取网络部分引入注意力机制以强调有效特征信息,在后处理阶段加入全连接条件随机场模型,将单个像素点的局部信息与全局语义信息融合。【结果】对比图像分割性能指标,改进后的算法mPA(Mean Pixel Accuracy)提升了5.73%,mIOU(Mean Intersection Over Union)提升了4.37%。【结论】相比于其他算法模型,改进后的DeeplabV3+算法对漂浮物特征的获取能力更强,同时能获得丰富的细节信息以更精准地识别多类型水面漂浮物的边界与较难分类的漂浮物,在对多个水库场景测试后满足实际水域环境中漂浮物检测的需求。

基于多尺度特征提取和全连接条件随机场的图像语义分割方法

针对图像语义分割中图像的上下文信息利用不充分、边缘分割不清等问题,提出一种基于多尺度特征提取与全连接条件随机场的网络模型。分别以多尺度形式将RGB图像和深度图像输入网络,利用卷积神经网络提取图像特征;将深度信息作为补充信息添加到RGB特征图,得到语义粗分割结果;采用全连接条件随机场优化语义粗分割结果,最终得到语义精细分割结果。实验结果表明,所提方法提高了图像语义分割的精度,优化了图像语义分割的边缘,具有实际应用价值。

基于新型深度全卷积网络的肝脏CT影像三维区域自动分割

肝脏分割对于肝肿瘤肝段切除及肝移植体积测量具有重要的临床价值。由于在CT影像中肝脏与邻近脏器的灰度值相似性很高,因此对肝脏区域的三维自动分割是一项具有挑战性的难题。为解决精准肝脏分割的问题,提出一种新型的深度全卷积网络结构3DUnet-C2。该结构充分利用肝脏CT图像的三维空间信息,并有效结合肝脏区域的浅层特征和深层特征。特别地,还提出一种新的3DUnet-C2网络训练策略,通过选取清晰图像,并从图像中截取肝脏区域作为样本进行训练的方式,得到初步3DUnet-C2模型权重,并使用该权重来初始化3DUnet-C2的网络参数,从而使网络达到收敛。最后,针对3DUnet-C2网络分割肝脏边界不精准的问题,在原有3DUnet-C2网络模型的基础上,运用三维条件随机场构建3DUnet-C2-CRF模型来优化肝脏分割边界。为了验证所提出三维分割模型的性能,从ISBI2017 Liver Tumor Segmentation Challenge的数据集中选取100张CT图像用于训练、验证和测试,3DUnet-C2-CRF模型在随机选取的20张测试集上的分割准确率的Dice系数为96.9%,高于3DUnet和Vnet模型的Dice系数。实验结果表明,3DUnet-C2-CRF模型具有更好的特征表达能力以及更强的泛化性能,从而可提升模型的分割准确率。