融合低阶特征与全局特征的图像语义分割方法

目前,深度全卷积网络在图像语义分割领域已经取得了瞩目的成就,但特征图的细节信息在多次下采样过程中会大量损失,对分割精度造成影响.针对该问题设计了一个用于图像语义分割的深度全卷积网络.该网络采用编码器—解码器结构,在编码器后端引入空洞卷积以降低细节信息的损失,在解码过程中融合对应尺寸的低阶语义特征,并在解码器末端融入...     

改进Mask RCNN算法及其在行人实例分割中的应用

Mask RCNN算法在特征提取过程中存在语义信息丢失的问题,而自然场景中的行人具有姿态不同、遮挡和背景复杂等特点,导致算法应用于行人实例分割时检测准确性较差.对此,提出一种改进的Mask RCNN算法.在Mask RCNN网络的Mask分支中增加串联特征金字塔网络(CFPN)模块,对网络生成的多层特征进行融合,充分利...     

一种融合多级特征信息的图像语义分割方法

卷积神经网络因为其强大的学习能力,已经在语义分割任务中取得了显著的效果,但是如何有效地利用网络在浅层次的视觉特征和深层次的语义特征一直是研究的热点,以此为出发点,提出了一种融合多级特征信息的图像语义分割方法。通过空洞卷积提取各层级的特征,并不断迭代深层特征来丰富低级视觉信息,最后与高级语义特征合并融合,得到精细的语义分割结果。实验在PASCAL VOC 2012数据集上与主流的五种方法进行了比较,在GTX1080Ti的环境下该方法与其中性能第二的模型mIoU（mean intersection-over-union）值相比提高了2.1%,与其中性能第一的模型mIoU值仅相差0.4%,表明该方法能有效利用多层级的特征信息,实现了图像语义分割的目的。     

基于改进Mask RCNN的俯视群养猪图像的分割

本文算法基于目标检测模型Mask RCNN进行改进,改进后的模型能分割和标记出不同的猪个体并且能精确分割出猪头区域。首先选用Resnet50作为模型的特征提取网络,然后考虑到群养猪图像分割任务的特殊性,在区域建议网络(Region Proposal Networks, RPN)中引入感兴趣区域(Region of Interest, ROI)的非局部特征向量,最后为进一步提高分割掩模边缘精度,在ROI输出的掩模分支中提出使用sobel检测滤波器预测目标边缘,并在损失函数中加入边缘损失。实验选取1000张图像作为训练样本,200张图像作为测试样本,结果表明,该算法模型在测试样本上对猪体和猪头分割的平均召回率达到0.851和0.845,相对Mask RCNN模型分别提高了6.4%和7.2%,并且在训练速度上相对Mask RCNN提高了18%。提取分割出的猪个体可进一步进行身份识别研究,精确分割出的猪头区域可用于饮水、吃食等行为识别。     

卷积神经网络低层特征辅助的图像实例分割方法

流行的实例分割网络Mask R-CNN在进行实例分割时,存在目标分割边界和分割轮廓粗糙的问题,导致分割精度低。针对此问题,提出在Mask R-CNN分割分支中引入网络的低层卷积特征进行高精度的实例分割方法。首先从特征提取网络中选择特征,通过插值算法将其缩放至固定尺度(输入图像的1/8)作为低层特征;然后通过RoI对齐操作提取当前待分割目标的特征后与原始的Mask R-CNN的分割分支对应目标的特征进行拼接,并将其作为精细化目标分割的特征。低层网络特征引入了更多的低级纹理和轮廓信息,可以有效地提高物体的分割精度。在COCO2017数据集上,所提方法使用ResNet-101-FPN作为特征提取网络得到的分割结果的平均准确度(AP)相对于Mask R-CNN提高了1.2%。实验结果表明,所提方法在使用不同特征提取网络时具有较好的鲁棒性和有效性。     

改进ASPP及多层次特征语义融合分割方法

为解决图像语义分割中多尺度目标分割困难、类别边界预测不准确等问题,提出一种基于改进空洞空间金字塔池化的多层次特征语义融合分割方法。将深层次网络特征按通道分组,利用分组空洞空间金字塔池化模块捕获每个分组多尺度特征上下文信息;引入条状池化模块对上下文信息补充和完善,增强全局语义信息表达;根据语义引导融合模块建立不同层次特征像素间对应关系,将深层次语义信息以自底向上方式逐步融入到低层次高分辨率图像中。实验结果表明,该方法在PASCAL VOC 2012和Cityscapes公开数据集上分别获得73.1%、71.8%的平均交并比,且在相同精度下,该方法减少了39%的参数量。     

基于U-Net特征融合优化策略的遥感影像语义分割方法

高分辨率遥感影像的空间分辨率高、地物信息丰富、复杂程度高、各类地物的大小尺寸不一,这为分割精度的提高带来了一定的难度.为提高遥感影像语义分割精度,解决U-Net模型在结合深层语义信息与浅层位置信息时受限的问题,文中提出了一种基于U-Net特征融合优化策略的遥感影像语义分割方法.该方法采用基于U-Net模型的编码器-译码...     

一种基于改进小生境遗传算法的图像分割方法

利用经典的Otsu算法和基本遗传算法相结合进行图像分割存在有算法效率低、容易提前形成伪解的问题,对于上述问题,提出一种基于改进小生境遗传算法的图像分割算法(IVNGAMS)。算法全局优化了二维Otsu图像分割函数,可以按照个体适应度大小自动控制遗传参数。并通过引入模拟退火算法,进一步提升算法的局部搜索能力。实验结果表明,改进的图像分割方法能更好提升算法的全局搜索能力,能够更加稳定快速的收敛到最佳的分割阈值,并且得到了更好的图像分割效果。     

一种基于类别信息的改进文本特征选择

信息增益方法从整个训练集角度进行特征赋权,该模式不适合构造类别特征向量.通过改进的朴素贝叶斯方法选择类别特征用于构造类别向量,再利用词频信息改进信息增益模型用于文本特征选择,改善了信息增益模型对于中频词信息利用不足问题,提出一种基于类别的文本特征加权改进模型.随后的文本分类试验表明,提出的加权模型相比较于传统的信息增益方法具有较好的文本分类效果.     

一种基于遗传算法的彩色图像分割改进算法

图像分割是进行图像理解的基础,也是图像工程技术中一个重要的问题.近几年来关于图像的分割方法层出不穷,但随着多媒体技术和Internet技术的发展,彩色图像分割处理的准确性和实时性要求也越来越高.为此提出了一种基于遗传算法的彩色图像分割改进算法.经过大量的对比实验表明,用这种方法分割目标和背景区域差别较大的彩色图像具有分割效果好、实时性、鲁棒性强的特点,是一种较为理想的分割方法.     

一种基于分段的CRL改进方案

分析了有序顺序表和二叉排序树表的证书撤销列表方案的不足,提出了一种基于分段的证书撤销列表CRL（Certificate Revocation List）改进方案,给出了按撤销证书到期的时间间隔的分段策略,并对CRL结构进行了改进。通过分析表明,缩短了证书用户查找撤销证书的平均搜索长度,在CRL更新时,不但减少了其它已撤销证书的移动次数,而且还减少了CA对CRL重新签名的计算量。     

基于链式条件随机场的中文分词改进方法

基于链式条件随机场模型的序列标注中文分词方法随着中文分词评测Bakeoff的展开得到广泛应用。词位标注集和特征模板集对该模型的学习至关重要,但当前的研究大多采用单一的标注集和特征模板集进行实验,缺乏标注集和特征模板集结合的尝试,使得中文分词中未登录词识别率不高,从而影响互联网领域语料的分词效果。首次采用六词位标注集结合TMPT-10和TMPT-10`特征模板,并与常见标注集和特征模板集的组合在Bakeoff语料上进行实验对比,结果表明,改进的方法 6tag-tmpt10取得更好的未登录词召回率,在互联网领域中文分词能取得很好的效果;同时在F值上也与其他最好结果相当。     

结合多类特征融合与ICM目标函数优化的图像语义分割方法

针对场景解析图像中的像素点数量庞大且现有的分配方法复杂、费用高的问题,提出一种结合多类特征融合与迭代条件模式(Iterative Conditional Mode,ICM)目标函数优化的图像语义分割方法.通过区域生长算法提取输入图像的各个部分,根据全局一致性误差指标,从图像数据库中搜索相似图像;提取图像各部分多类特征并...     

一种改进的证据理论C均值分割方法

证据理论C均值(ECM)作为传统聚类方法的一种改进仍然存在着对噪声敏感和易于陷入局部极小值的缺点,鉴于此,提出一种遗传算法(GA)和证据理论C均值相结合的分割方法,并且在分类过程中引入了位置信息。遗传算法具有全局搜索的能力,很好地克服了证据理论C均值结果局部最优的缺点,而位置信息的引入则解决了对噪声敏感的问题。实验结果证明,该方法收敛速度快,迭代步数少,分割精度高。     

基于改进的模糊C均值算法的MR图像分割

在利用模糊C均值算法(FCM)对磁共振图像进行分割的基础上,提出了一种改进的模糊分割技术。实验结果表明,该方法与FCM算法相比,不仅能够更为准确地分割出人脑组织中的各个部分,同时运行速度也有明显提高。     

一种基于相关的属性选择改进算法

基于相关的属性选择算法是一种属性子集评价方法,该算法通过启发式评价消除属性子集中属性之间的相关性,使用评价值选择与类属性相关度高而属性之间相关度低的属性子集。提出在基于相关的属性选择算法中加入属性之间相关度方差的影响,能够在基于相关的属性选择算法选择的属性集子的基础上,去除属性子集中那些与其他属性相关度大的属性。通过实验证明,改进后的算法选择的属性子集属性数不多于基于相关的属性选择算法选择的属性子集属性数。使用改进算法选择的属性子集,在对分类器分类正确率影响很小的情况下,有较高的分类效率。     

基于特征选择融合的垃圾邮件过滤方法

针对传统垃圾邮件过滤问题中采用单一特征选择方法不能够有效提取训练集中全部重要特征或提取结果存在特征冗余的问题,提出一种基于多种特征选择方法融合的垃圾邮件过滤模型SF_FSF(Spam filtering based on feature selection fusion)。SF_FSF方法通过引入信息融合的概念,将特征选择看成一个决策问题,采用基于平均投票法的信息融合模型进行特征选择结果的融合,以提取垃圾邮件数据集中的重要特征,获得优秀的过滤能力。实验结果表明,SF_FSF方法比基于单一特征选择的垃圾邮件过滤方法得到了更好的过滤结果。