基于全卷積神經(jīng)網(wǎng)絡(luò)的全向場(chǎng)景分割研究與算法實(shí)現(xiàn).pdf

1、隨著計(jì)算機(jī)性能的跨越式提高和大數(shù)據(jù)時(shí)代的來(lái)臨，深度學(xué)習(xí)受到了各界越來(lái)越廣泛的關(guān)注。它能夠?qū)⒌图?jí)特征進(jìn)行組合，形成更為抽象的高級(jí)特征，對(duì)數(shù)據(jù)進(jìn)行更為本質(zhì)的刻畫(huà)，因此被廣泛應(yīng)用到了計(jì)算機(jī)視覺(jué)、文本翻譯、模式識(shí)別、搜索推薦等各個(gè)領(lǐng)域。
　　卷積神經(jīng)網(wǎng)絡(luò)(CNN)是深度神經(jīng)網(wǎng)絡(luò)的一種，它具有稀疏連接、參數(shù)共享的特點(diǎn)，可以自動(dòng)提取特征，主要應(yīng)用于二維圖像的識(shí)別，能夠?qū)崿F(xiàn)圖像級(jí)別的分類(lèi)。而全卷積網(wǎng)絡(luò)(FCN)是CNN的發(fā)展和延伸，它除了具有卷

2、積神經(jīng)網(wǎng)絡(luò)的一般特點(diǎn)外，還有全卷積化、上采樣、跳躍結(jié)構(gòu)等一系列特征。全卷積網(wǎng)絡(luò)能夠預(yù)測(cè)每個(gè)像素點(diǎn)的語(yǔ)義標(biāo)簽，可以實(shí)現(xiàn)像素級(jí)別的分類(lèi)，從而對(duì)圖像進(jìn)行場(chǎng)景分割。
　　論文探討了CNN與FCN的網(wǎng)絡(luò)結(jié)構(gòu)，工作原理以及各自特點(diǎn)，比較了兩種網(wǎng)絡(luò)之間的區(qū)別。為了實(shí)現(xiàn)全向場(chǎng)景的分割，本文在原有的FCN圖像分割的基礎(chǔ)上引入了全景圖像，詳細(xì)分析了全景圖像的種類(lèi)、特點(diǎn)、應(yīng)用場(chǎng)景以及對(duì)分割效果的影響，并論述了由普通圖像合成球面全景圖像的具體方法;為了進(jìn)

3、一步地提高全向場(chǎng)景分割的效果，我們對(duì)基于FCN的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，最終將全景圖像與改進(jìn)網(wǎng)絡(luò)相結(jié)合，提高了網(wǎng)絡(luò)對(duì)邊緣和細(xì)節(jié)部分的處理能力，實(shí)現(xiàn)了更準(zhǔn)確的全向場(chǎng)景分割。本文的主要?jiǎng)?chuàng)新點(diǎn)在于:
　　一是引入全景圖像，將同一場(chǎng)景的普通圖像合成為球面全景圖，作為神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入。球面全景圖像具有更為廣闊的視野，能夠完全覆蓋周邊環(huán)境，在提供全向場(chǎng)景信息的同時(shí)，增強(qiáng)了圖像中物體的整體性，有助于網(wǎng)絡(luò)提取更具有代表性的特征。
　　二是在FC