基于卷积神经网络的U-net模型的人像分离工具.docxVIP

摘要

图像信息是人类视觉感知信息的重要部分，随着计算机、电子技术日益进步，大规模运算和信息的数-模转换走入现实，由此催生出分为图像识别、分割、重建等领域的数字处理技术蓬勃发展。作为图像分割的典型应用场景，人像分割是进行人像美化、背景处理、人脸识别等领域的重要前提。因此通过人像分割从图像中精确且完整地提取出人像目标，

对后续处理有必要作用。

本文以深度学习中的卷积神经网络为基础，研究如何利用U-Net模型在人像照片较有限的情况下达到人像分离合格的准确率。最终实现模型的IOU在92.1%左右，Dice系数在95.7%左右。对比早期的分割方法，卷积神经网络U-Net模型通过类似编码器—解码器的“U”型结构实现更

简便、稳定地提取数据的特征，且能更加有效的提高分割的准确度。

关键词：深度学习；人像分割；U-Net模型

Abstract

Imageinformationisanimportantpartofhumanvisualperceptioninformation.Withthedevelopmentofcomputerandelectronictechnology,large-scaleoperationanddigital-to-analogconversionofinformationcomeintoreality,Therefore,thedigitalprocessingtechnologyincludingimagerecognition,segmentationandreconstructionhasbeendevelopedvigorously..Asatypicalapplicationsceneofimagesegmentation,isanimportantpremiseofimagebeautification,backgroundprocessing,facerecognitionandsoon.Therefore,itisnecessarytoextracttheimageobjectaccuratelyandcompletelyfromtheimagebyportraitsegmentation

Inthispaper,basedontheconvolutionalneuralnetworkindeeplearning,westudyhowtousetheU-Netmodeltoachievethequalifiedaccuracyrateofhumanimageseparationunderthelimitedsituationofhumanimage.TheIOUofthefinalmodelisabout92.1%,andtheDicecoefficientisabout95.7%.Comparedwiththeearliersegmentationmethods,TheconvolutionalneuralnetworkU-NetmodelextractsthefeaturesofdatamoreeasilyandstablythroughaU-likestructureintheencoder-decoder,Itscanimprovethesegmentationaccuracymoreeffectively.

Keywords:deeplearning;portraitsegmentation;U-Netmodel

1

广东东软学院本科生毕业设计(论文)

目录

第一章绪论 1

1.1课题背景及国内外研究现状 1

1.2研究目的和意义 1

1.3研究主要内容 2

1.4本文章节安排 2

第二章卷积神经网络、U-Net模型及框架介绍 3

2.1人工神经网络简介 3

2.2卷积神经网络 3

2.2.1卷积 4

2.2.2池化 5

2.2.3激活函数 6

2.3U