回首页

为您推荐

海洋技术基础

¥ 46.50

生活探索家:海滩上的科学

¥ 29.85

育婴员实训教程

¥ 28.50

小海獭帕普

¥ 24.65

船舶机械

¥ 36.00

“一带一路”案例实践与风险防范·文化篇

¥ 33.60

首页 > 海洋书城 > 教材类 > 计算机教材

基于深度学习的图像语义分割技术

定 价: ¥ 68.00

会员价: ¥ 57.80

4728

浏览次数

作者:田萱 王亮 孟祥光 著

出版日期:2019-12-01

ISBN:978-7-5210-0354-3

装帧:平装

页数:116

版次:B1

立即购买 加入购物车

内容简介

近年来,信息处理技术和计算机计算能力迅猛发展,以图像为代表的数字信息呈指数级增长,与图像相关的应用也越来越广泛,随着人工智能和视觉设备的普及,如何让智能机器能够准确识别图像中丰富的视觉信息和语义信息已经成为一个及其重要且富有挑战的任务。计算机视觉技术适用于对图像进行标签、分类和分割等处理,能够使用电子设备代替生物眼球对物体进行识别、检测和定位等活动,支撑着现代社会机器生产力的提高以及人工智能的普及,是解决上述问题的一种重要技术。

目录

1 绪论... 1

1.1 研究背景与意义... 1

1.2 国内外研究状况与发展趋势... 3

1.2.1 传统的图像语义分割技术... 3

1.2.2 基于深度学习的图像语义分割技术... 5

1.3 主要工作与研究成果... 6

1.4 本书的主要内容与结构安排... 8

2 深度学习和其他相关技术介绍... 11

2.1 引言... 11

2.2 深度神经网络基本类型... 11

2.2.1 卷积神经网络... 12

2.2.2 循环神经网络... 12

2.2.3    生成对抗网络... 13

2.3 深度学习经典网络模型... 14

2.3.1    LeNet-5网络模型... 14

2.3.2    AlexNet网络模型... 15

2.3.3    VGGNet网络模型... 16

2.3.4    ResNet网络模型... 16

2.3.5    GoogLeNet网络模型... 17

2.3.6    Siamese网络模型... 18

2.3.7    MobileNets网络模型... 19

2.4 迁移学习... 21

2.4.1 迁移学习的基本类型... 21

2.4.2 迁移学习的主要优点... 24

2.4.3 迁移学习在图像语义分割领域的应用... 24

2.5 本章小节... 25

3 基于深度学习的图像语义分割方法综述... 27

3.1 引言... 27

3.2 相关背景及早期研究介绍... 28

3.3 基于区域分类的图像语义分割方法... 29

3.3.1 基于候选区域的图像语义分割方法... 30

3.3.2 基于分割掩膜的图像语义分割方法... 32

3.4 基于像素分类的图像语义分割方法... 33

3.4.1 基于FCN的图像语义分割方法... 36

3.4.2 基于优化卷积结构的图像语义分割方法... 37

3.4.3 基于编码器-解码器模型的图像语义分割方法... 38

3.4.4 基于概率图模型的图像语义分割方法... 40

3.4.5 基于特征融合的图像语义分割方法... 42

3.4.6 基于RNN的图像语义分割方法... 44

3.4.7 基于GAN的图像语义分割方法... 45

3.5 本章小结... 47

4 一种改进“编码器-解码器模型”的图像语义分割算法... 49

4.1 引言... 49

4.2 一种改进的密集连接带孔卷积网络... 50

4.2.1 密集卷积网络... 51

4.2.2 带孔卷积... 53

4.2.3 密集连接带孔卷积网络... 55

4.3 一种改进的密集连接全局平均带孔金字塔池化模型... 56

4.3.1 带孔空间金字塔池化模型... 57

4.3.2    DenseGlobalASPP模型的结构原理... 59

4.3.3    DenseGlobalASPP模型的数学分析... 61

4.4 一种改进的基于“编码器-解码器模型”的图像语义分割算法... 63

4.4.1 经典的“基于编码器-解码器模型的ISS算法”介绍... 64

4.4.2 改进的“基于编码器-解码器模型的ISS算法”概述... 66

4.4.3    DenseASPPDeconvNet网络模型的编码器模块介绍... 68

4.4.4    DenseASPPDeconvNet网络模型的解码器模块介绍... 71

4.4.5    DenseASPPDeconvNet网络模型的总体框架结构... 73

4.5 本章小结... 78

5 算法实验与结果分析... 79

5.1 引言... 79

5.2 实验配置及相关信息介绍... 80

5.2.1 实验基本配置... 80

5.2.2 实验性能评价指标... 81

5.2.3 实验公共数据集... 82

5.3 实验参数设置及训练策略... 85

5.3.1 实验参数设置... 85

5.3.2 训练及调参方法... 87

5.4 实验结果分析与对比... 90

5.4.1 网络训练过程分析... 90

5.4.2    DenseASPPDeconvNet实验结果分析与对比... 93

5.4.3    DenseASPPDeconvNet中各模块性能分析与对比... 99

5.4.4 实验结果可视化展示... 103

5.5 本章小结... 106

6 总结与展望... 107

6.1 本书工作内容总结... 107

6.2 未来研究工作展望... 109

参考文献... 111


精彩书摘

作者:田萱,王亮,孟祥光,北京林业大学专业教师,主要从事计算机视觉、模式识别与人工智能等专业教学与科研。

读者评论

找回密码

换一张
下一步

密码重置邮件已发送到您邮箱,请查收

确定
关闭