基于Gabor特征与卷积神经网络的人体轮廓提取

为解决传统方法无法精确分割单幅图像中人体轮廓的问题,提出一种将Gabor小波特征与卷积神经网络结合的人体轮廓提取方法。首先计算人体图像8个方向的Gabor特征,并将计算结果传入改进的卷积神经网络进行人物模型训练;再将待测图像计算Gabor特征后传入人物模型进行检测,从而输出人物掩膜;对掩膜进行形态学处理并同原图像进行相与操作,最终得到人体轮廓。经VOC2012数据集上测试,该人体轮廓提取方法的准确度高达96%。实验结果表明,通过将传统特征提取方法与深度学习的特征学习方法相结合,不但提高了特征学习的速度还提高了检测的准确度。

结合跳跃连接的残差网络图像语义分割

为解决图像语义分割中感知细节部分的能力较弱、分割结果粗糙的问题。首先利用深度残差网络-101取代完全卷积网络中的VGG-16;然后在conv3和conv4采用跳跃连接结构对上采样结果进行优化;最后以8倍上采样获得最终分割结果。实验使用PASCAL VOC2012数据集,从定性和定量两方面进行实验对比,实验表明所提出的方法平均IOU由67.3%提升至69.8%,并由测试结果显示改进的网络使得分割不同语义区域的边界明确且规整,提高了分割精度。