融合分割先验的多图像目标语义分割
目的 在序列图像或多视角图像的目标分割中,传统的协同分割算法对复杂的多图像分割鲁棒性不强,而现有的深度学习算法在前景和背景存在较大歧义时容易导致目标分割错误和分割不一致.为此,提出一种基于深度特征的融合分割先验的多图像分割算法.方法 首先,为了使模型更好地学习复杂场景下多视角图像的细节特征,通过融合浅层网络高分辨率的细节特征来改进PSPNet-50网络模型,减小随着网络的加深导致空间信息的丢失对分割边缘细节的影响.然后通过交互分割算法获取一至两幅图像的分割先验,将少量分割先验融合到新的模型中,通过网络的再学习来解决前景/背景的分割歧义以及多图像的分割一致性.最后通过构建全连接条件随机场模型,将深度卷积神经网络的识别能力和全连接条件随机场优化的定位精度耦合在一起,更好地处理边界定位问题.结果 本文采用公共数据集的多图像集进行了分割测试.实验结果表明本文算法不但可以更好地分割出经过大量数据预训练过的目标类,而且对于没有预训练过的目标类,也能有效避免歧义的区域分割.本文算法不论是对前景与背景区别明显的较简单图像集,还是对前景与背景颜色相似的较复杂图像集,平均像素准确度(PA)和交并比(IOU)均大于95％.结论 本文算法对各种场景的多图像分割都具有较强的鲁棒性,同时通过融入少量先验,使模型更有效地区分目标与背景,获得了分割目标的一致性.
多图像、目标分割、深度学习、卷积神经网络、分割先验、条件随机场
24
TP391.41(计算技术、计算机技术)
国家自然科学基金项目61661036,61663031,61462065;中国科学院月球与深空探测重点实验室开放基金项目LDSE201705;无损检测技术教育部重点实验室开放基金项目ZD201529003
2019-07-08（万方平台首次上网日期，不代表论文的发表时间）
共12页
890-901
