基于FCN的图像语义分割算法研究

图像语义分割的传统方法是依靠人工设计提取特征,用机器学习的方法进行分类,来达到分割的效果,但是过程比较复杂,且最终的分割效果也不理想。为解决该问题,提出运用深度学习的方法自动提取图像中物体特征,实现端到端训练,并提升分割精度。采用的基础网络是ResNet-50,同时采用空洞空间金字塔池化模块进行有效的特征融合,并在最后一组卷积块中使用了空洞卷积来控制感受野,以提取多尺度信息。在解码阶段采用密集上采样卷积来获得最终的输出预测图。实验表明,该方法获得mIoU值为86.185%。

基于DeepLabv3的样本不均衡图像语义分割研究

卷积神经网络(Convolutional Neural Networks,CNN)在处理语义分割上具有独特优势,但是小目标、稀少目标等样本不均衡问题成为影响分割精度的重要因素。由此提出一种以DeepLabv3网络为基本框架,结合了Focal Loss和GPB/OWT/UCM边缘分割的图像语义分割方法。首先,利用DeepLabv3网络中Resnet101编码器进行特征提取,所得特征经过空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块后获得多尺度信息,再通过解码器恢复到原图分辨率,进行图像的像素级分割;然后,引入Focal Loss替换原来网络中的交叉熵损失函数,即在原来每个单像素损失值上加权重,加强对困难样本特征的学习;最后,融合GPB/OWT/UCM边缘分割算法,使得小目标区域的语义信息仅由低等级特征去单独决定,从而优化小目标和稀少目标的边缘细节的分割。实验结果表明:在PASCAL VOC 2012数据集上,该方法所得均交并比(Mean Intersection over Union,MIoU)为80.23%,相比于原来DeepLabv3网络,MIoU值提升了0.71%,改善了样本不均衡问题。

基于深度帧差卷积神经网络的运动目标检测方法研究

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络(Deep Difference Convolutional Neural Network,DFDCNN).DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入(t帧和t+1帧)中获取时序信息;AppearanceNet用于从输入(t帧)中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明:DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.

基于超像素分割-稀疏字典构建的高光谱图像目标检测研究

在高光谱图像中,由于目标先验信息的数量少、光谱变异性和亚像素等问题,使得构建的稀疏字典质量较差。提出一种基于超像素分割的稀疏字典构建方法,首先采用超像素分割算法分割降维后的高光谱图像,然后利用目标先验信息获得超像素中的高质量光谱信息并得到相关系数,最后选择优质目标训练样本构建高质量的稀疏字典以提升稀疏表示的目标检测效果。该算法不仅可以建立高质量的稀疏字典,而且可以增加目标训练样本的数量,获得更好的训练效果。在AVIRIS和Texas Coast数据集上的实验仿真结果表明:该算法AUC值分别达到99.35%和98.79%,相较于其他算法具有更好的检测性能。

结合超像素分割和多尺度的快速半全局立体匹配算法

半全局立体匹配算法采用最大视差范围进行搜索,有较大冗余。为提高算法的效率,提出一种结合超像素分割和多尺度的快速半全局立体匹配算法。首先获得原图1/4大小的视差图;其次,结合原图像超像素分割结果,计算每个分割块的平均视差,并在平均视差基础上设置上下阈值,作为该分割区域所有点的视差搜索范围。这样,既减少了视差搜索范围,也保证了搜索结果的精度;同时,为降低原始视差图误匹配率,在计算弱纹理区域的聚合值时,叠加了下采样层对应区域的聚合值。弱纹理区域是根据超像素分割区域的灰度直方图确定的;最后,在已缩小的搜索范围内,根据代价最小原则获得最终的视差。实验结果表明:该方法在保证视差精度的前提下,计算复杂度大幅降低,计算时间缩短为原来的1/4。

基于期望最大化的局部扩展移动立体匹配算法

针对局部扩展移动立体匹配算法在弱纹理区域的误匹配率较高的问题,建立倾斜块匹配项和曲率平滑项的概率模型,提出一种基于期望最大化的局部扩展移动立体匹配算法。算法首先使用局部扩展移动计算参考图像中像素的视差平面;然后基于期望最大化更新模型参数μ和ν,并利用这2个参数确定平滑权重。反复更新这些参数,直到收敛或者达到循环上限,根据最后确定的获得最终的视差图。实验结果表明,在Middlebury数据集上与局部扩展移动立体匹配算法相比,所提算法在弱纹理区域取得了较好的匹配结果。

一种基于空间上下文注意力网络的立体匹配方法

立体匹配可以看作是有监督的学习任务,通过将大量的左右图像输入到卷积神经网络中进行训练,可以获得性能良好的视差图。但是,当前的网络结构对病态区域的视差估计仍然存在困难。为了解决这个问题,提出了一种空间上下文注意力网络,这个网络可以通过聚合全局上下文信息来提高对病态区域的视差估计准确性。实验结果表明,提出的方法在合成数据集Scene Flow和真实场景数据集KITTI 2015中对病态区域的视差估计得了较好的效果。

一种基于光谱角字典构造稀疏表达的高光谱目标检测方法

由于光谱变异性现象在高光谱图像数据中所具有的普遍性,经常导致“同物异谱”现象,高光谱目标检测结果受先验目标特征的影响很大,检测性能受到很大影响。因此提出一种基于稀疏表示的方法来生成优化的目标光谱,当缺乏关于感兴趣目标对象的全面信息时,通过稀疏字典重构的方法优化目标,然后由一组选定的字典生成像素,这些像素包含具有不同状态的目标信号,用来优化先验目标签名。最后将先验目标用稀疏字典重构的方式,利用光谱角分别构造目标训练和背景训练样本,使得来自有限目标训练的样本能够减轻光谱变异性对高光谱目标检测的影响。实验结果表明:该方法在不同数据集中具有良好的检测效果和精度,尤其在AVIRIS数据集中的检测精度高达0.9978,优于其他典型检测算法。