基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
随着深度学习的发展,语义分割任务中许多复杂的问题得以解决,为图像理解奠定了坚实的基础.本文算法突出表现在两个方面,其一是利用反卷积网络,对卷积网络中不同深度的卷积层提取到的多尺度特征进行融合,之后再次通过反卷积操作对融合后的特征图进行上采样,将其放大到原图像的大小,最后对每个像素进行语义类别的预测.其二为了提升本文网络结构的性能,提出一种新的数据处理方式,批次中心化算法.经过实验验证,本文算法在SIFT-Flow数据集上语义分割的平均准确率达到45.2%,几何分割的准确率达到96.8%,在PASCAL VOC2012数据集上语义分割的平均准确率达到73.5%.
推荐文章
基于深度学习算法的脑肿瘤CT图像特征分割技术改进
深度学习算法
脑肿瘤CT图像
特征分割技术
多模态3D-CNN
SAE结构
数据集
基于可分离空洞卷积与联合归一化的语义分割算法研究
图像语义分割
可分离空洞卷积
实例归一化
批量归一化
一种融合多级特征信息的图像语义分割方法
图像语义分割
卷积神经网络
空洞卷积
空间金字塔池化
多尺度特征
基于高阶CRF模型的图像语义分割
计算机视觉
图像语义分割
条件随机场模型
高阶能量项
基于可形变部件模型
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于反卷积特征学习的图像语义分割算法
来源期刊 计算机系统应用 学科
关键词 深度学习 语义分割 批次中心化 多尺度特征 反卷积网络
年,卷(期) 2019,(1) 所属期刊栏目 软件技术·算法
研究方向 页码范围 147-155
页数 9页 分类号
字数 5750字 语种 中文
DOI 10.15888/j.cnki.csa.006716
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 孟朝晖 河海大学计算机与信息学院 34 93 6.0 7.0
2 郑菲 河海大学计算机与信息学院 6 13 2.0 3.0
3 郭闯世 河海大学计算机与信息学院 2 9 2.0 2.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (16)
共引文献  (29)
参考文献  (11)
节点文献
引证文献  (6)
同被引文献  (1)
二级引证文献  (0)
1998(1)
  • 参考文献(0)
  • 二级参考文献(1)
2000(1)
  • 参考文献(1)
  • 二级参考文献(0)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(2)
  • 参考文献(1)
  • 二级参考文献(1)
2006(1)
  • 参考文献(1)
  • 二级参考文献(0)
2009(1)
  • 参考文献(0)
  • 二级参考文献(1)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(1)
  • 参考文献(0)
  • 二级参考文献(1)
2013(5)
  • 参考文献(2)
  • 二级参考文献(3)
2014(1)
  • 参考文献(0)
  • 二级参考文献(1)
2015(3)
  • 参考文献(0)
  • 二级参考文献(3)
2016(4)
  • 参考文献(1)
  • 二级参考文献(3)
2017(4)
  • 参考文献(3)
  • 二级参考文献(1)
2018(1)
  • 参考文献(1)
  • 二级参考文献(0)
2019(5)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(5)
  • 二级引证文献(0)
2019(5)
  • 引证文献(5)
  • 二级引证文献(0)
2020(1)
  • 引证文献(1)
  • 二级引证文献(0)
研究主题发展历程
节点文献
深度学习
语义分割
批次中心化
多尺度特征
反卷积网络
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机系统应用
月刊
1003-3254
11-2854/TP
大16开
北京中关村南四街4号
82-558
1991
chi
出版文献量(篇)
10349
总下载数(次)
20
论文1v1指导