資源描述：
《用深度學(xué)習(xí)技術(shù)解決圖像語(yǔ)義分割問(wèn)題》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、電子制作2017,20,39-40+38用深度學(xué)習(xí)技術(shù)解決圖像語(yǔ)義分割問(wèn)題蔣子源浙江省杭州高級(jí)中學(xué)錢(qián)江校區(qū)導(dǎo)出/參考文獻(xiàn)關(guān)注分享收藏打印摘要：大數(shù)據(jù)技術(shù)的飛速發(fā)展，使計(jì)算機(jī)視覺(jué)領(lǐng)域面臨新的機(jī)遇和挑戰(zhàn)。傳統(tǒng)計(jì)算機(jī)視覺(jué)技術(shù)程序復(fù)雜，且需要專(zhuān)業(yè)知識(shí)背景支撐，嚴(yán)重阻礙了該領(lǐng)域的發(fā)展。祌經(jīng)M絡(luò)技術(shù)的出現(xiàn)，人工智能產(chǎn)業(yè)的蓬勃發(fā)展，使得該領(lǐng)域煥然-新。本人在提煉總結(jié)大量參考文獻(xiàn)的棊礎(chǔ)上，對(duì)圖像語(yǔ)義分割技術(shù)進(jìn)行概述，并著重對(duì)卷積神經(jīng)網(wǎng)絡(luò)的的應(yīng)用做深入剖析。首先就閣像語(yǔ)義分割技術(shù)的概念、基本算法和具有應(yīng)用進(jìn)行綜述，然后對(duì)卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展和基礎(chǔ)結(jié)構(gòu)進(jìn)行詳述，之后就卷積神經(jīng)網(wǎng)絡(luò)算法如何應(yīng)
2、用在圖像語(yǔ)義分割技術(shù)上做介紹，最后對(duì)該領(lǐng)域在醫(yī)學(xué)圖像和穿衣搭配領(lǐng)域的應(yīng)用做研究。關(guān)鍵詞：閣像語(yǔ)義分割;卷積神經(jīng)網(wǎng)絡(luò);深度學(xué)習(xí)；計(jì)算機(jī)視覺(jué);引言圖像語(yǔ)義分割技術(shù)，即將給定圖像的背景和目標(biāo)物體區(qū)分開(kāi)來(lái)，并單獨(dú)加上語(yǔ)義標(biāo)簽，這在具體的圖像處理中非常實(shí)用。以往的圖像語(yǔ)義分割技術(shù)原理是U1，先提取圖像本身的特征，之后根據(jù)特征劃分區(qū)域，再在區(qū)域上做特征提取，最后分類(lèi)合并這些區(qū)域。其中研究投入最多的是特征提取，如涌現(xiàn)出的經(jīng)典算法H0G和SIFT,但其處理過(guò)程復(fù)雜，且并不適用于所有圖像問(wèn)題。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，之所以能夠掀起新一波的計(jì)算機(jī)視覺(jué)浪潮,就在于它的“端到端”處理機(jī)制，其無(wú)需再單
3、獨(dú)對(duì)圖像做特征提取操作，多層卷積池化操作模擬人腦，在不斷的抽象和迭代中做高層特征提取，再經(jīng)過(guò)全連接層即可進(jìn)行圖像處理。圖像語(yǔ)義分割作為子領(lǐng)域，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到其上,自然成為當(dāng)前的研究熱點(diǎn)。2006年以前，超過(guò)三層的神經(jīng)網(wǎng)絡(luò)模型效率低下，其后，Geoffrey教授在Science上發(fā)表的一篇關(guān)于深度學(xué)習(xí)的論文，再次引發(fā)了祌經(jīng)網(wǎng)絡(luò)的研究熱潮。該文章有兩大觀點(diǎn):一是多隱含層的神經(jīng)網(wǎng)絡(luò)特征學(xué)效果突出，能學(xué)到圖像的本質(zhì)特征;二是多層神經(jīng)網(wǎng)絡(luò)的優(yōu)化復(fù)雜度可以通過(guò)“逐層初始化”得到克服。止是這兩個(gè)核心觀點(diǎn)的出現(xiàn)加之研究學(xué)者的不斷努力，使得神經(jīng)網(wǎng)絡(luò)攻克難以訓(xùn)練的危機(jī)，再次成為大數(shù)
4、據(jù)和人工智能時(shí)代的主角。1.像語(yǔ)義分割領(lǐng)域發(fā)展概述圖像語(yǔ)義分割技術(shù)大大提高了圖像檢索的準(zhǔn)確率。如根據(jù)醫(yī)學(xué)影像做疾病檢測(cè)方面，圖像語(yǔ)義分割技術(shù)可以自動(dòng)提取醫(yī)學(xué)領(lǐng)域關(guān)鍵信息，并依賴(lài)分類(lèi)器做病癥預(yù)判，最后再經(jīng)由專(zhuān)業(yè)醫(yī)生做決斷，則一方面節(jié)省了人力物力財(cái)力，另一方面也避免了人為誤判等情況的出現(xiàn)。該技術(shù)目標(biāo)不僅僅在于圖像分割，在此基礎(chǔ)上還增加了新的要求，即語(yǔ)義標(biāo)注，涉及到技術(shù)包括物體邊界識(shí)別與類(lèi)別檢測(cè)。棊于區(qū)域的目標(biāo)檢測(cè)器，經(jīng)典框架如下m:一，分割區(qū)域。依賴(lài)邊界檢測(cè)技術(shù)，要求該算法滿足強(qiáng)不變性，即閣像本身的亮度、大小、方位等信息并不影響邊界檢測(cè)結(jié)果；二，區(qū)域描述。依賴(lài)特征提取技術(shù)
5、，需要提取到多方位特征。一是部分特征。如利用姿勢(shì)模型提取目標(biāo)物體形態(tài)特征。二是全局特征。包括紋理、顏色等。三是輪廓信息。四是幾何特征。包括邊界、坐標(biāo)等特征；三，構(gòu)造區(qū)域分類(lèi)器。依賴(lài)SVM技術(shù)，計(jì)算各區(qū)域得分；四，轉(zhuǎn)化與整合。將上述得分變?yōu)橄袼氐梅?，并做基于像素的分?lèi)器，整合分割圖。2.卷積神經(jīng)網(wǎng)絡(luò)技術(shù)原理與應(yīng)用傳統(tǒng)的圖像處理技術(shù)主要包括特征提取和分類(lèi)器兩部分，特征提取算法的設(shè)計(jì)復(fù)雜性與應(yīng)用局限性、穩(wěn)定性，以及特定的特征提取算法與特定的分類(lèi)器相結(jié)合的多樣性限制著圖像處理技術(shù)的發(fā)展。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，使端到端的圖像處理成為可能，當(dāng)網(wǎng)絡(luò)的隱藏層發(fā)展到多層吋便稱(chēng)之為深度學(xué)但同吋
6、需要用逐層初始化技術(shù)解決深層次網(wǎng)絡(luò)訓(xùn)練難度大的問(wèn)題，之后深度學(xué)習(xí)便成為時(shí)代的主角。而卷積神經(jīng)網(wǎng)絡(luò)(CNN)便是深度學(xué)習(xí)與圖像處理技術(shù)相結(jié)合所產(chǎn)生的經(jīng)典模型，實(shí)現(xiàn)該模型的網(wǎng)絡(luò)實(shí)例在特定的圖像問(wèn)題處理上都卓有成效。祌經(jīng)網(wǎng)絡(luò)之所以能和圖像領(lǐng)域相結(jié)合，并呈現(xiàn)巨大的發(fā)展前景，是有生物學(xué)依據(jù)的。人類(lèi)視覺(jué)信息處理機(jī)制的發(fā)現(xiàn)，是19世紀(jì)19年代生物學(xué)界的重人發(fā)現(xiàn)之一，它證明了大腦可視皮層是分級(jí)存在的。人的視覺(jué)系統(tǒng)是一個(gè)反復(fù)抽象和迭代的過(guò)程。而卷積祌經(jīng)網(wǎng)絡(luò)，就模擬了這個(gè)過(guò)程。首先，每一個(gè)卷積層，便是將具體信息做抽象的過(guò)程，而多個(gè)卷積層串聯(lián)操作，便是將上一層的抽象結(jié)果再做抽象處理的過(guò)程，
7、稱(chēng)之為迭代。在這個(gè)抽象迭代的過(guò)程屮，不斷抽取大腦可感知的高維度特征。如當(dāng)一幅閣像經(jīng)過(guò)視網(wǎng)膜進(jìn)入視野，首先會(huì)將光線像素等信息抽象為圖像邊緣信息，然后再抽象為目標(biāo)物體的某一部位，再抽象為物體輪廓形成對(duì)整個(gè)0標(biāo)的感知。卷積神經(jīng)網(wǎng)絡(luò)包括卷積池化層操作和全連接層操作。該網(wǎng)絡(luò)基于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，主要做/參數(shù)數(shù)量和訓(xùn)練難度方面的優(yōu)化。后者各層網(wǎng)絡(luò)之間采用的是全連接，導(dǎo)致參數(shù)數(shù)量較多，由此便需要足夠多的訓(xùn)練數(shù)據(jù)才可能達(dá)到較好的訓(xùn)練效果，這限制了網(wǎng)絡(luò)的深度和大小。前者采用局部視野和參數(shù)共享機(jī)制，大大較少了參數(shù)數(shù)量。局部視野就相當(dāng)于人再觀察世界時(shí)，并不是全局觀察，而是分局
