基于深度学习的图像语义分割算法研究

作     者：盛鹏鹏 

作者单位：吉林化工学院 

学位级别：硕士

导师姓名：史彦丽;李洪涛

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：注意力机制 多尺度特征提取 语义分割 卷积神经网络 

摘      要：语义分割作为一种典型的计算机视觉问题,其本质是像素级的密集分类任务。近年来,随着人工智能技术的快速发展,基于深度学习的语义分割技术在场景理解、医学图像分析、机器人感知、视频监控、增强现实和图像压缩等领域有着广泛应用。由于现实世界中的物体形态和颜色的多样化和复杂性,当前基于深度学习的语义分割算法在面对分割目标多尺度问题、目标遮挡问题和小目标识别问题等问题上均存在一定不足,针对以上研究难点,本文提出了相应改进方法,可以实现对复杂目标精确的检测和定位,能够有效地改善图像分割性能,提升分割结果的精确度。本文的主要研究内容如下:针对单目标语义分割场景,本文提出了基于不对称编解码架构的特征恢复模块和基于空洞卷积的多尺度特征提取模块。基于不对称编解码架构的特征,恢复模块通过缩减解码器的深度,有效的减少降采样过程中的信息损失;基于空洞卷积的多尺度特征提取模块,通过增加编解码器之间连接,有效提弥补了编解码架构中错误累积的问题,提高了分割算法在单目标场景中的分割效果。最后结合以上模块构建双向通道的单目标语义分割网络。实验结果表明,上述算法可以更好的提取不同尺度的特征,并以较低的计算成本实现了良好的分割性能。针对多目标语义分割场景,分别提出了基于线性注意力机制的特征提取方法和基于交叉通道注意力算法的特征融合方法。基于线性注意力算法的特征提取方法,可以在获取更大范围的全局信息的同时,将自注意力机制的复杂度由O（n）降低为O（n）;基于交叉通道注意力算法的特征融合方法,利用高级语义特征和低级空间特征计算全局注意矩阵,融合全局注意特征和低级空间特征,弥补了语义分割网络中空间细节信息的不足,提高了复杂目标的分割精度。最后结合以上模块提出了一种基于单通道算法的实时语义分割网络。实验结果表明,该网络在多个复杂目标语义分割任务中均取得了分割精度的优化和推理速度的提升。