一种基于区域建议网络的图像语义分割方法

doi:10.3969/j.issn.1006-2475.2018.02.025

计算机与现代化

• 图像处理 • 上一篇

一种基于区域建议网络的图像语义分割方法

（1.湖南工业大学计算机学院,湖南株洲412007；
2.智能信息感知及处理技术湖南省重点实验室,湖南株洲412007）

收稿日期:2017-06-05 出版日期:2018-03-08 发布日期:2018-03-09
作者简介:杨志尧(1990-),男,江苏邳州人,湖南工业大学计算机学院硕士研究生,研究方向:数字图像处理,深度学习; 彭召意(1968-)，男,教授,硕士,研究方向:数字图像处理,模式识别,计算机应用; 文志强(1973-),男,教授,博士,研究方向:人工智能,计算机视觉,目标跟踪与识别。
基金资助:
湖南省教育厅一般资助项目(15C0402)

Image Semantic Segmentation Based on Region Proposal Network

(1. School of Computer Science, Hunan University of Technology, Zhuzhou 412007, China;
2. Key Laboratory of Intelligent Information Perception and Processing Technology (Hunan Province), Zhuzhou 412007, China)

Received:2017-06-05 Online:2018-03-08 Published:2018-03-09

摘要/Abstract

摘要： 针对图像语义分割中存在分割效果粗糙、细节缺失的问题，提出一种结合区域建议网络并实现卷积层共享的联合网络结构。利用区域建议网络生成包含类别标记信息的区域建议框，并使用这些区域建议框来校正全卷积语义分割网络的分割结果。实验表明，该方法可以有效提高像素点的分类正确率，得到更精细的分割效果。

关键词: 计算机视觉, 语义分割, 区域建议, 全卷积网络

Abstract: In order to improve the problems of roughness and lack of detail in the semantic segmentation of image, a joint network structure is proposed, which combines the regional proposal network and realizes the convolution layer sharing. The regional proposal network is used to generate some regional proposal boxes which contain category information. The regional proposal boxes are used to correct the segmentation results of the fully convolutional semantic segmentation network. Experiments show that this method can effectively improve the classification accuracy of pixels and get better segmentation results.

Key words: computer vision, semantic segmentation, region proposal, fully convolution network

中图分类号:

TP391

杨志尧1,2，彭召意1,2，文志强1,2. 一种基于区域建议网络的图像语义分割方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2018.02.025.

YANG Zhi-yao1,2, PENG Zhao-yi1,2, WEN Zhi-qiang1,2. Image Semantic Segmentation Based on Region Proposal Network[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2018.02.025.

参考文献

［1］ Ostu N. A threshold selection method from gray-level histograms ［J］. IEEE Transactions on Systems Man & Cybernetics, 1979,9(1):62-66.
［2］ Muthukrishnan R, Radha M. Edge detection techniques for image segmentation［J］. International Journal of Computer Science & Information Technology, 2011,3(6):259-267.
［3］ Adams R, Bischof L. Seeded region growing［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1994,16(6):641-647.
［4］魏云超,赵耀. 基于DCNN的图像语义分割综述［J］. 北京交通大学学报, 2016,40(4):82-91.
［5］姜枫,顾庆,郝慧珍,等. 基于内容的图像分割方法综述［J］. 软件学报, 2017,28(1):160-183.
［6］ Ren Xiaofeng, Malik J. Learning a classification model for segmentation［C］// Proceedings of the 9th IEEE International Conference on Computer Vision. 2003:10.
［7］ Otha Y, Kanade T, Sakai T. An analysis system for scenes containing objects with substructures［C］// Proceedings of the 4th International Joint Conference on Pattern Recognitions. 1978:752-754.
［8］张继昊. 基于SOFM自组织特征映射网络的图像语义分割与标识［D］. 上海:上海交通大学, 2010.
［9］ Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks［C］// Proceedings of the 25th International Conference on Neural Information Processing Systems. 2012:1097-1105.
［10］Sermanet P, Eigen D, Zhang Xiang, et al. Overfeat: Integrated recognition, localization and detection using convolutional networks［J］. Computer Science, 2013:arXiv:1312.6229.
［11］Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014:580-587.
［12］He Kaiming, Zhang Xiangyu, Ren Shaoqing, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015,37(9):1904-1916.
［13］Ren Shaoqing, He Kaiming, Girshick R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017,39(6):1137-1149.
［14］Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation［J］. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014,39(4):640-651.
［15］Zeiler M D, Fergus R. Visualizing and understanding convolutional networks［C］// European Conference on Computer Vision. 2014:818-833.
［16］Baydin A G, Pearlmutter B A, Radul A A, et al. Automatic differentiation in machine learning: A survey［J］. Computer Science, 2015.
［17］Bottou L. Large-scale machine learning with stochastic gradient descent［C］// Proceedings of COMPSTAT2010. 2010:177-186.
［18］Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014:580-587.

[1]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[2]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[3]	许鸿奎, 李振业, 郭文涛, 赵京政, 郭旭斌. 基于分割的任意形状场景文本实时检测[J]. 计算机与现代化, 2023, 0(11): 95-100.
[4]	叶思佳, 魏延, 杜韩宇, 邓金枝. 结合注意力机制的HRNet图像语义分割算法[J]. 计算机与现代化, 2023, 0(10): 65-69.
[5]	刘续, 查可可. 一种用于机场特种车辆作业的环境目标识别方法[J]. 计算机与现代化, 2023, 0(08): 18-24.
[6]	牛玉珩, 李永可, 陈燕红, 蒋平安. 基于改进SegFormer模型的棉田地表残膜图像分割方法[J]. 计算机与现代化, 2023, 0(07): 93-98.
[7]	叶力鸣, 陈蔚文. 一种结合语义分割和目标检测的级联式绝缘子缺陷检测方法[J]. 计算机与现代化, 2023, 0(06): 82-88.
[8]	吴松林, 张国伟, 卢秋红, 施建壮, 黄威. 融合视觉信息的激光SLAM[J]. 计算机与现代化, 2023, 0(02): 17-23.
[9]	黄延辉, 兰海, 魏宪. 基于可分离结构变换的轻量级Vision Transformer[J]. 计算机与现代化, 2022, 0(10): 75-81.
[10]	李伟强, 王东, 宁政通, 卢明亮, 覃鹏飞. 计算机视觉下的果实目标检测算法综述[J]. 计算机与现代化, 2022, 0(06): 87-95.
[11]	袁梦, 于小雨. 基于音视一致性的音视人眼关注点检测[J]. 计算机与现代化, 2022, 0(04): 103-109.
[12]	王天星, 袁家斌, 刘昕. 基于同等注意力图网络的视觉问答方法[J]. 计算机与现代化, 2021, 0(11): 1-6.
[13]	唐舒放, 王志胜. 基于双注意力机制的街景语义分割[J]. 计算机与现代化, 2021, 0(10): 69-74.
[14]	周经纬, 韩立新, 李晓双. 基于多模态数据的目标跟踪算法[J]. 计算机与现代化, 2020, 0(11): 16-22.
[15]	周贤来. 基于语义分割的异构多核平台大数据挖掘算法[J]. 计算机与现代化, 2020, 0(10): 40-43.

一种基于区域建议网络的图像语义分割方法

Image Semantic Segmentation Based on Region Proposal Network

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价