导读:本文包含了基于深度图像分割论文开题报告文献综述及选题提纲参考文献，主要关键词:图像分割,船舶,吃水深度
基于深度图像分割论文文献综述
魏宏昌,王志娟[1]（2019）在《基于图像分割的船舶吃水深度检测方法》一文中研究指出针对传统的船舶吃水深度检测方法精准度低的情况,提出基于图像分割的船舶吃水深度检测方法。以得到精准的舰船吃水值为出发点,采集舰船吃水图像,并进行动态模板匹配,减少舰船晃动对吃水深度检测的影响,在此基础上,对船舶水尺图像字符进行校正,计算吃水线位置,得到舰船吃水深度,以此实现船舶吃水深度检测。实验对比结果表明,此次设计的基于图像分割的船舶吃水深度检测方法比传统的吃水深度检测精准度高,具有一定的实际应用意义。(本文来源于《舰船科学技术》期刊2019年18期）
左向梅,武亮[2]（2019）在《基于深度图像分割的场景物体识别与匹配》一文中研究指出场景物体识别与匹配是通过二维图像进行叁维场景分析的重要步骤。针对现有的叁维场景分析方法只是简单的将深度相机获取的图像点云数据进行配准得到原始场景的不足,通过对已进行图像语义分割的物体,利用一种改进的随机回归森林方法对物体区域进行识别,并与建立的数据库中模型匹配,根据深度信息将获得的叁维模型变换到场景中,实现场景物体的识别与匹配。通过拍摄的实验数据,验证了本方法的可行性。结果表明,本方法能够获得较好的识别与匹配结果。(本文来源于《工程技术研究》期刊2019年17期）
叶靖雯,吴晓峰[3]（2019）在《端到端深度图像分割网络中抑制无效率学习的目标损失函数设计》一文中研究指出在端到端深度图像分割网络训练时,常出现前景和背景区域相差巨大的情况,造成目标特征学习不足而背景特征学习过度.对此提出一种基于代价敏感学习的目标函数构造方法:借鉴难例挖掘思想,使用表征难易程度的Focal因子对样本训练误差加权处理,有效抑制无效率学习;仿人类视觉系统引入感受野因子,兼顾上下文信息.在医学影像数据集上对方法的有效性和可扩展性进行了测试.结果表明,新方法有助于提升网络对于小目标的检出能力,同时分割结果更贴合目标轮廓.(本文来源于《微电子学与计算机》期刊2019年09期）
王书志,宋广虎,冯全[4]（2019）在《基于深度卷积神经网络的葡萄新梢图像分割》一文中研究指出近几年深度卷积神经网络在很多图像任务,诸如目标检测、图像分类、图像分割等方面得到了广泛应用,在图像分割方面,基于深度学习分割性能已全面超越了传统的分割算法。很多病害都会在葡萄的新梢上产生病症,在图像中准确分割出新梢,可提高病害诊断的精度。为了实现对自然条件下拍摄的葡萄新梢图像的准确分割,用相机、手机分别在不同的光照和环境条件拍摄了葡萄的新稍图像,在制作的训练图像集上对SegNet、FCN和U-NET3种卷积神经网络进行迁移学习,得到3种分割网络模型,分别用这些模型对测试集中不同环境下拍摄的新梢图像进行分割试验。在模型训练的初始阶段设置较大的学习率,以期快速到达最优解附近,随后逐步降低学习率,得到最优解。以人工分割为基准,对3种网络的分割效果进行评价。结果表明:在优选的训练模式下,3种分割网络在标准测试集T1上分割精度(MCC)达到83.58%、93.85%和89.44%,对于标准测试集T1和T2中的阴天图像,3种网络的平均MCC分别比晴天高5.42%、0.73%和0.65%。3种网络中,FCN的总体分割效果最优,在标准测试集T1上的平均分割精度(MCC)分别比SegNet和U-NET高10.27%和4.42%;从人的直观观察也可以看出,FCN分割的葡萄新梢图像轮廓光滑、视觉效果较好。光照对分割效果影响显着,阴天拍摄图像的分割效果整体好于晴天分割效果。在扩展数据集上,3种网络的分割精度均出现一定程度的下降,对于大田条件下(T3)和温室条件下(T4)手机拍摄的图像,FCN的平均分割精度(MCC)依然分别达到78.06%和74.82%,说明FCN的泛化性能较好。(本文来源于《沈阳农业大学学报》期刊2019年04期）
汪萍[5]（2019）在《基于多尺度条件随机场的语义图像分割深度卷积网络》一文中研究指出针对复杂边界处语义分割信息在多尺度情况下表现出的不一致性,引起的现有模型产生错误语义分割标记预测问题,受到空间语境关系启发,提出一种多尺度条件随机场的深度卷积网络模型。首先,不同尺度的初始标记通过深度卷积网络获得,从而构建语义标记的多尺度表达;其次,引入多尺度表达的条件随机场模块,并在该模块上添加同层二元关系和异层二元关系,构建新的条件随机场能量评价;最后,针对模型中的深度网络参数和条件随机场参数学习过程,设计一种两阶段的训练过程,兼顾了模型的收敛速度和精度。实验给出了公认的PASCAL VOC 2012数据集的语义分割结果,能够说明该方法较现有主流方法有一定优势。(本文来源于《宿州学院学报》期刊2019年07期）
许玥,冯梦如,皮家甜,陈勇[6]（2019）在《基于深度学习模型的遥感图像分割方法》一文中研究指出利用遥感图像快速准确地检测地物信息是当前的研究热点。针对遥感图像地表物的传统人工目视解译分割方法效率低下和现有基于深度学习的遥感图像分割算法在复杂场景下准确率不高、背景噪声多的问题,提出一种基于改进的U-net架构与全连接条件随机场的图像分割算法。首先,融合VGG16和U-net构建新的网络模型,以有效提取具有高背景复杂度的遥感图像特征;然后,通过选取适当的激活函数和卷积方式,在提高图像分割准确率的同时显着降低模型预测时间;最后,在保证分割精度的基础上,使用全连接条件随机场进一步优化分割结果,以获得更加细致的分割边缘。在ISPRS提供的标准数据集Potsdam上进行的仿真测试表明,相较于U-net,所提算法的准确率、召回率和均交并比(MIoU)分别提升了15.06个百分点、29.11个百分点和0.366 2,平均绝对误差(MAE)降低了0.028 92。实验结果验证了该算法具备有效性和鲁棒性,是一种有效的遥感图像地表物提取算法。(本文来源于《计算机应用》期刊2019年10期）
杨洪光[7]（2019）在《基于深度学习的医学图像分割方法研究》一文中研究指出随着医学图像在医疗卫生领域的普遍应用,医学图像分割在病理分析、临床诊断和医学研究等领域扮演着重要角色。近几年,卷积神经网络特征提取能力的不断挖掘,越来越多的深度学习技术被用于医学图像分割任务,也取得了相比于传统分割方法更好的结果。全卷积神经网络(Fully Convolutional Network,FCN)是一种广泛应用于图像分割的深度学习技术,但是由于医学图像中分割目标的大小、形状变化复杂,正负样本分布不平衡等问题,FCN在一些医学图像分割中并未达到很好的预期效果。为了获得更加精确的分割结果,本文提出了两种基于全卷积神经网络的改进方法。这些方法对分割目标的形态变化有较好的鲁棒性,提高了分割准确度。本文的主要工作如下:1.受DenseNet和U-Net等神经网络的启发,本文提出了一种基于全卷积DenseNet网络结构的医学图像分割方法。该方法将目前分类性能较好的DenseNet从自然图像迁移到医学图像数据集,以提高网络特征提取能力和训练速度;并且采用反卷积和类似U-Net的连接方式,在恢复分辨率的同时融合细节信息,从而实现端到端的图像分割网络;引入并改进Dice相似性损失函数,以解决医学图像中背景区域远远大于目标区域导致的模型训练困难问题。在前列腺分割数据集上进行实验,相较于目前的主要方法,该方法分割效果更好,所耗时间更短。2.本文提出一种具有可变形编码器和重构上采样解码器的U-Net医学图像分割方法。该方法使用并改进可变形卷积提高网络学习几何形变的能力,并提出更有效的上采样方法——重构上采样卷积(Reshape Upsampling Convolution,RUC)。该分割方法将集中性损失函数(Focal Loss)应用到医学图像分割任务中,解决了样本分布不均和简单样本过多导致的模型偏移问题。所提出的方法不仅大大降低了网络的参数数量,并且在果蝇细胞数据集和Warwick-QU腺体数据集上取得了较好的分割效果。(本文来源于《重庆邮电大学》期刊2019-06-02）
刘博[8]（2019）在《基于深度卷积神经网络的肝图像分割方法研究》一文中研究指出肝脏分割任务是从输入的肝脏CT数据中分割出肝的任务。由于CT图像中肝脏具有与邻近器官对比度低、噪声较高和存在病理异常等特点,因此肝脏分割具有一定难度。随着视觉相关算法的快速发展,深度卷积神经网络在医学图像分割上得到了越来广泛的应用。其中,利用捕获上下文的收缩路径和允许精确定位的对称拓展路径的U-Net模型获得了较好的分割效果。然而,单纯的U-Net网络结构在分割上的表现还有较大提升空间;并且通过简单地堆迭卷积核的方法提升模型效果,会加大参数量和计算量,是训练和推理变得困难。本文为了提升U-Net在肝脏分割上的效果,首先使用残差模块代替原有的卷积模块,加快模型的收敛速度;之后为了抑制像素点类别不均衡问题,使用DICE系数的相反数替代交叉熵损失函数,并引入基于形态学的方法对像素点进行加权;针对3D肝脏分割进行了模型改进;最后为了提升模型的泛化能力,使用随机仿射变换和随机弹性形变进行数据增强。实验结果表明,该方法对2D图像的分割效果改进明显,在3D数据上可扩展性强。本文为了降低U-Net的参数量和计算量,首先使用由两个级联的小网络构成的kU-Net进行改进,在降低了模型参数量的同时,提升了模型效果;之后使用由粗到精的分割策略改进kU-Net,进而得到W-Net,它在几乎没有提升模型的参数量和计算量的同时显着提升模型效果;最后对W-Net的扩展路径进行精简,并微调模型收缩路径,在明显降低模型计算量和参数量的同时,保持了分割效果基本不变。通过实验测试,本文提出的基于残差模块的改进方法对于肝脏分割效果提升显着,使用kU-Net和由粗到精的分割策略在降低参数量和计算量的同时,保证分割表现,具有良好的实用性。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
曹祺炜[9]（2019）在《基于深度学习的医学图像分割模型研究》一文中研究指出在医学领域中,使用深度学习作为机器学习和模式识别工具一直是研究的重点内容。深度学习技术在医学领域的应用与研究主要表现为:智能影像识别、医疗影像辅助诊断、诊疗结果预测、药物研发、以及基因测序等。医学成像是现代医疗保健和计算机辅助诊断系统中的重要辅助手段。针对当前庞大的医学图像数据以及人工分割和半自动分割方法的局限性,借助大数据分析的方法处理医学图像信息显得尤为重要,迫切需要一种高效的全自动分割方法。近几年,研究人员提出了多种分割方法,但由于医学图像形成时容易受到内部或外部因素的影响,这都使得医学图像分割仍然是个充满挑战性的工作。因此,医学图像准确高效的分析,对于制定精确的治疗方案、提高医护人员工作效率、及时采取相应的治疗措施以及平衡我们医疗资源不平衡等问题具有极高的现实意义。本文针对当前问题,利用深度学习强大的非线性表征能力,提出改进型3D-FCN+CRF模型以及MS-CapsNetGAN模型处理脑肿瘤图像的分割任务。本论文的主要研究内容如下:(1)图像分割的概述以及研究现状。首先介绍现阶段图像分割常用的七种方法。并针对各类方法的原理、步骤、以及各自优缺点进行阐述。然后,为科学地量化图像分割算法性能的优劣,介绍了图像分割结果评判标准DSC法以及准确率、精确度、召回率、过分割率、欠分割率等评价指标。(2)基于3D-FCN+CRF模型的脑肿瘤图像分割研究。首先,介绍了卷积神经结构以及结构中每一层的原理和功能;然后针对卷积神经网络不能够较好的提取各模态之间的差异信息,不同的图像层肿瘤大小差异显着,且分割精度低等缺陷,本文提出基于3D-FCN网络模型拟解决以上问题,且在后端使用条件随机场CRF对图像边界问题进行处理,增加图像的分割精度,同时克服脑肿瘤不同图像层之间的大小位置差异;最后,通过对BRATS2015数据集、Clinic Data数据集以及某医院100例患者的多模态磁共振MRI图像进行分割实验,Dice系数达到89.23%、96.77%和91.64%。证明该模型可使分割精度得到明显提高,更好的提取各模态之间的差异信息,较准确地分割脑肿瘤。(3)基于MS-CapsNetGAN模型的脑肿瘤图像分割。首先介绍了胶囊网络以及生成对抗网络整体的层迭结构以及原理和功能;然后使用胶囊网络代替标准卷积神经网络,应用到生成对抗网络的判别器中,并在底层引入了多尺度的胶囊编码单元,提出了多尺度生成对抗性胶囊网络MS-CapsNetGAN模型;随后使用MS-CapsNetGAN模型在MNIST和CIFAR-10数据集上进行验证实验,并且将MS-CapsNetGAN模型与叁种主流分类器(Fisherfaces、LeNet和ResNet)进行对比,通过实验表明该模型具有较好的分割效果;最后,使用MS-CapsNetGAN模型对某医院100例患者的脑MRI图像进行分割,Dice系数达到93.61%。实验结果表明,构建的MS-CapsNetGAN模型能够准确地分割MRI图像,具有重要的应用价值。(本文来源于《太原理工大学》期刊2019-06-01）
孙晋权[10]（2019）在《基于单点交互的深度医学图像分割算法研究》一文中研究指出随着医学成像技术的飞快发展,各种医学影像已经成为医生诊疗工作中的重要参考信息,越来越多的病患也从中受益。但是,繁重的阅片和审核工作耗费了医生的大量工作时间,降低了医生的工作效率。因此,计算机辅助的医疗影像处理愈发受到重视。近些年,受益于计算能力的显着提高和深度学习技术,医疗影像分割技术水平不断提高。医疗影像数据采集和标注费用高企,因此现在的深度医学分割模型大多以局部图像块作为输入。但是,基于图像块输入的模型具有一定的缺陷:缺乏全局的上下文信息;忽略图像块之间的空间关系。为克服上述缺陷,本文提出了基于单点交互的深度医学影像分割算法,并完成了如下两个工作:(1)基于单点交互的伪标注前列腺分割算法。为了解决基于图像块的深度学习模型缺乏全局信息的问题,本文提出了单点交互方式和伪标注思想。医生在前列腺大致中心位置点击鼠标,用以指示前列腺的位置。基于该点以及其他组织器官的边缘信息,本文设计了一个简洁高效的启发式方法生成水平伪标注(Horizontal Pseudo Mask)和竖直伪标注(Vertical Pseudo Mask)。两个伪标注图从不同角度间接体现了前列腺像素分布概率,同时引入了有助于提高分割结果的盆腔结构先验信息。本文设计了一个简洁的全卷积分割网络,用于同时接受伪标注图像块和原始影像块作为输入。另外,本文创新性地提出了块随机失活机制(Block Dropout),有效降低了网络的过拟合风险,提高了分割性能。本文在一个真实的临床MR前列腺数据集上验证该方法的有效性。实验结果表明,基于单点交互的伪标注分割方法,可以在有限的MR前列腺数据集上,高效利用伪标注带来的全局信息,提高模型分割性能。(2)基于单点交互的序列学习分割算法。为了解决基于图像块的深度学习模型感受野狭小、忽视图像块空间关系的问题,本文创新性将基于图像块的分割任务,转化为基于图像块序列的二维标注任务,并提出了单点交互方式和序列学习分割模型。首先,医生在待分割的目标中心位置点击,以此指示目标的大致位置。然后,序列图像块采样算法从该中心点出发由内向外采集图像块,形成图像块序列。本文提出了一个简洁高效的双向二维序列学习单元ConvRNN,并基于ConvRNN设计了序列学习网络(Sequential Learning Net,SLNet)。SLNet以图像块序列为输入,学习目标由内到外和由外到内的变化趋势,进而得到准确的边缘。本文在真实的CT肾肿瘤数据和MR前列腺分割竞赛数据PROMISE12验证该方法的有效性。实验结果表明,序列学习分割方法可以有效地捕捉相邻图像块之间的空间关系,提高深度分割网络的感受野,为网络提供更多的有效上下文信息,进而提高网络的分割性能。(本文来源于《南京大学》期刊2019-05-31）
基于深度图像分割论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
场景物体识别与匹配是通过二维图像进行叁维场景分析的重要步骤。针对现有的叁维场景分析方法只是简单的将深度相机获取的图像点云数据进行配准得到原始场景的不足,通过对已进行图像语义分割的物体,利用一种改进的随机回归森林方法对物体区域进行识别,并与建立的数据库中模型匹配,根据深度信息将获得的叁维模型变换到场景中,实现场景物体的识别与匹配。通过拍摄的实验数据,验证了本方法的可行性。结果表明,本方法能够获得较好的识别与匹配结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
基于深度图像分割论文参考文献
[1].魏宏昌,王志娟.基于图像分割的船舶吃水深度检测方法[J].舰船科学技术.2019
[2].左向梅,武亮.基于深度图像分割的场景物体识别与匹配[J].工程技术研究.2019
[3].叶靖雯,吴晓峰.端到端深度图像分割网络中抑制无效率学习的目标损失函数设计[J].微电子学与计算机.2019
[4].王书志,宋广虎,冯全.基于深度卷积神经网络的葡萄新梢图像分割[J].沈阳农业大学学报.2019
[5].汪萍.基于多尺度条件随机场的语义图像分割深度卷积网络[J].宿州学院学报.2019
[6].许玥,冯梦如,皮家甜,陈勇.基于深度学习模型的遥感图像分割方法[J].计算机应用.2019
[7].杨洪光.基于深度学习的医学图像分割方法研究[D].重庆邮电大学.2019
[8].刘博.基于深度卷积神经网络的肝图像分割方法研究[D].哈尔滨工业大学.2019
[9].曹祺炜.基于深度学习的医学图像分割模型研究[D].太原理工大学.2019
[10].孙晋权.基于单点交互的深度医学图像分割算法研究[D].南京大学.2019