基于胶囊网络的图像分割方法结题报告.docVIP

基于胶囊网络的图像分割方法结题报告

一、研究背景与问题提出

在计算机视觉领域，图像分割作为基础任务之一，其核心目标是将图像中的像素按照语义类别、实例对象或区域属性进行精准划分，为目标检测、图像理解、医学影像分析等下游任务提供关键支撑。传统图像分割方法如阈值分割、区域生长等依赖人工设计的特征，难以应对复杂场景下的多样性与不确定性。随着深度学习技术的兴起，以卷积神经网络（CNN）为代表的方法在图像分割领域取得了突破性进展，例如U-Net、FCN等模型通过多层卷积与池化操作提取图像特征，实现了端到端的分割任务。

然而，CNN在处理图像分割任务时存在固有局限性。其一，CNN通过池化操作实现特征降维与空间不变性，但这种操作会丢失精确的空间位置信息，导致分割结果的边界模糊，尤其在处理小目标、细结构或重叠对象时表现不佳。其二，CNN的特征表示基于标量神经元，无法有效捕捉目标的姿态、尺度等结构化信息，难以区分相似外观但不同姿态的对象，例如医学影像中不同角度的器官组织。其三，传统CNN在训练过程中对数据的依赖性较强，当训练数据存在类别不平衡、样本稀缺或噪声干扰时，模型的泛化能力会显著下降。

胶囊网络（CapsuleNetwork）由Hinton等人于2017年提出，其核心思想是通过向量形式的胶囊替代传统CNN中的标量神经元，每个胶囊不仅能够表示目标的存在概率，还能编码目标的姿态、尺度、旋转等结构化