基于crf的图像语义理解算法研究-计算机科学与技术专业论文.docxVIP

万方数据 万方数据 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取 得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他 人已经发表或撰写过的研究成果，也不包含为获得 天津理工大学 或其他教 育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做 的任何贡献均已在论文中作了明确的说明并表示了谢意。 学位论文作者签名： 签字日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解 天津理工大 学 有关保留、使用学位论文的规 定。特授权 天津理工大学 可以将学位论文的全部或部分内容编入有关数据 库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编，以供查阅 和借阅。同意学校向国家有关部门或机构送交论文的复本和电子文件。 （保密的学位论文在解密后适用本授权说明） 学位论文作者签名： 导师签名： 签字日期： 年 月 日 签字日期： 年 月 日 摘要 图像语义理解是计算机视觉领域中重要的研究方向之一，其研究成果可应用 于机器人导航，无人驾驶，虚拟现实，图像检索等众多领域，具有重要的实用价 值和学术研究意义。图像语义分割是图像语义理解的任务之一，结合图像像素分 类，从整体上理解图像包含的目标，并给出具体的目标区域轮廓。目前主流的方 法一般首先提取图像中的特征，并对图像像素进行分类，然后利用概率图模型来 提高像素分类，即图像理解的精度。上述方法需要解决两个问题：（1）如何提取 高效的特征，进而提高像素分类的精度；（2）像素初步分类的结果如何结合概率 图模型，利用图模型的约束关系来减少误分类，提高最终图像理解结果的精度。 针对上述两个方面的问题，本文提出了利用多尺度深度学习进行图像理解，以及 深度学习和条件随机场模型结合进行图像语义理解的方法。具体工作如下： （1）针对提取高效特征，并进行图像像素分类的问题，本文提出一种多尺度 深度学习图像语义理解方法。该方法利用多尺度卷积神经网络交叉迭代来获取图 像的稠密性特征，对图像的尺度变化具有较好的鲁棒性。同时，将深度学习与超 像素分割相结合，修正超像素块内的像素类别，进一步提高像素分类的准确率。 相关对比实验证明了方法的有效性。 （2）将条件随机场模型的平滑约束引入到深度学习框架中，提出了平滑约束 下的卷积神经网络损失函数。该函数可将像素分类结果的平滑约束融入到卷积神 经网络的迭代过程，提高深度学习的速度和效率。实验结果表明加入条件随机场 平滑约束后的图像理解精度有了较大程度的提升。 关键词：图像语义理解 卷积神经网络 深度学习 超像素分割 条件随机场 Abstract Image semantic understanding is now an extremely important and ultimate goal of the foundation in the field of computer vision. The research results have been widely applied in robot navigation, unmanned, image retrieval, virtual reality, and people’s livelihood. It highlights the important practical value and academic value. Each branch task of image-semantic understanding, such as target detection, image segmentation, image classification and so on, understanding the target overall and split the target area outline, but the overall understanding of image semantic is still under study. The current mainstream method commonly used probabilistic graphical models to improve pixel calibration tasks, it is the accuracy of image understanding. The above methods need to solve two problems: firstly, how to extract efficient features, thereby improving the accuracy of pixel classification; secondly