×
贾、范;刘军;泰雪成

一种用于语义图像分割的正则卷积神经网络。 （英语） Zbl 1462.68211号

分析。申请。，辛加普。 19，第1号，147-165（2021）.
卷积神经网络（CNN）在一系列图像处理问题中取得了显著的性能。细胞神经网络成为语义分割等密集分类问题的首选。然而，在语义分割任务中，CNN独立预测每个像素的类别，分割对象的空间规则性仍然是这些方法的一个问题。特别是当给定的训练数据较少时，CNN在细节上表现不佳，各种CNN分割结果中往往出现孤立和分散的小区域。在本文中，我们提出了一种将空间正则化添加到分割对象的方法。在我们的方法中，诸如总变差（TV）之类的空间正则化可以很容易地集成到CNN网络中，它可以生成平滑的边缘并消除孤立点。我们将我们提出的方法应用于Unet和Segnet，它们是用于图像分割的成熟CNN，并分别在WBC和CamVid数据集上进行测试。结果表明，正则化网络能够很好地改善预测的细节。

引用于6文件

MSC公司：

68平方英寸10 图像处理的计算方法
68T07型 人工神经网络与深度学习
90 C90 数学规划的应用

关键词：

语义分割;网络正则化;优化

软件：

OverFeat（覆盖特征）;深度实验室;AlexNet公司;DeconvNet公司;SegNet公司;固态硬盘;掌中宽带;ImageNet公司;PyDenseCRF公司
PDF格式BibTeX公司 XML格式引用
\textit{F.Jia}等人，Ana。申请。，辛加普。19，第1号，147--165（2021；Zbl 1462.68211）
全文： 内政部 arXiv公司

参考文献：

[1] Badrinarayanan，V.、Kendall，A.和Cipolla，R.，Segnet:用于图像分割的深度卷积编码器-解码器架构，IEEE Trans。模式分析。机器。Intell.39（12）（2017）2481-2495。
[2] L.Barghout和L.Lee，感知信息处理系统，美国专利申请。10/618543（2004年）。
[3] Brostow，G.J.、Shotton，J.、Fauqueur，J.和Cipolla，R.，使用运动点云的结构进行分割和识别，载于《欧洲计算机视觉会议》（法国马赛斯普林格出版社，2008年），第44-57页。
[4] Chambolle，A.，《总变异最小化算法及其应用》，J.Math。图像。见20（1-2）（2004）89-97·Zbl 1366.94048号
[5] Chambolle，A.和Lions，P.-L.，通过总变化最小化和相关问题进行图像恢复，Numer。数学76（2）（1997）167-188·Zbl 0874.68299号
[6] Chen，L.-C.，Papandreou，G.，Kokkinos，I.，Murphy，K.和Yuille，A.L.，Deeplab:使用深度卷积网络、atrous卷积和完全连接的CRF进行语义图像分割，IEEE Trans。模式分析。机器。Intell.40（4）（2018）834-848。
[7] Erhan，D.，Szegedy，C.，Toshev，A.和Angelov，D.，使用深度神经网络的可缩放对象检测，见Proc。IEEE Conf.计算机视觉和模式识别（美国俄亥俄州哥伦布，2014），第2147-2154页。
[8] Girshick，R.、Donahue，J.、Darrell，T.和Malik，J.，《用于精确对象检测和语义分割的丰富特征层次》，摘自Proc。IEEE Conf.计算机视觉和模式识别（美国俄亥俄州哥伦布，2014），第580-587页。
[9] Hariharan，B.、Arbeláez，P.、Girshick，R.和Malik，J.，《同时检测和分割》，摘自《欧洲计算机视觉会议》（瑞士苏黎世施普林格，2014），第297-312页。
[10] He，K.，Zhang，X.，Ren，S.和Sun，J.，《深入研究整流器：在图像网络分类方面超越人类水平的表现》，收录于Proc。IEEE Int.Conf.Computer Vision（智利圣地亚哥，2015），第1026-1034页。
[11] He，K.，Zhang，X.，Ren，S.和Sun，J.，图像识别的深度剩余学习，收录于Proc。IEEE Conf.计算机视觉和模式识别（美国内华达州拉斯维加斯，2016），第770-778页。
[12] M.Johnson-Roberson、C.Barto、R.Mehta、S.N.Sridhar、K.Rosaen和R.Vasudevan，《矩阵驱动：虚拟世界能否取代现实世界任务中的人工生成注释？arXiv:1610.01983。
[13] Krähenbühl，P.和Koltun，V.，《高斯边势全连通crf中的有效推断》，《神经信息处理系统进展》（西班牙格拉纳达，2011年），第109-117页。
[14] Krizhevsky，A.、Sutskever，I.和Hinton，G.E.，深度卷积神经网络的图像网络分类，《神经信息处理系统进展》（美国内华达州太浩湖，2012年），1097-1105。
[15] 拉迪克ỳ, L.，Sturgess，P.，Alahari，K.，Russell，C.和Torr，P.H.S.，什么，在哪里，有多少？结合目标探测器和CRF，见《欧洲计算机视觉会议》（Springer，2010），第424-437页。
[16] LeCun，Y.、Bottou，L.、Bengio，Y.和Haffner，P.，基于梯度的学习应用于文档识别，Proc。IEEE86（11）（1998）2278-2324。
[17] L.C.Chen，G.Papandreou，I.Kokkinos，K.Murphy和A.L.Yuille，基于深度卷积网络和全连通CRF的语义图像分割，arXiv:1412.7062。
[18] Liu，W.，Anguelov，D.，Erhan，D.，Szegedy，C.，Reed，S.，Fu，C.-Y.和Berg，A.C，SSD:单次多盒探测器，摘自《欧洲计算机视觉》（European Conf.Computer Vision）（荷兰阿姆斯特丹施普林格出版社，2016），第21-37页。
[19] Long，J.、Shelhamer，E.和Darrell，T.，《语义分割的完全卷积网络》，收录于Proc。IEEE Conf.计算机视觉和模式识别（美国马萨诸塞州波士顿，2015），第3431-3440页。
[20] Noh，H.，Hong，S.和Han，B.，《语义分段的学习反卷积网络》。IEEE Int.Conf.Computer Vision（智利圣地亚哥，2015），第1520-1528页。
[21] Ochs，P.，Ranftl，R.，Brox，T.和Pock，T.，基于梯度的双层优化技术与非光滑下层问题，J.Math。图像。见56（2）（2016）175-194·Zbl 1352.65155号
[22] Papandreou，G.、Kokkinos，I.和Savalle，P.-A.，《深度学习中的局部和全局变形建模：表观卷积、多实例学习和滑动窗口检测》，Proc。IEEE Conf.计算机视觉和模式识别（波士顿，马萨诸塞州，美国，2015），第390-399页。
[23] Ronneberger，O.，Fischer，P.和Brox，T.，《U-Net:生物医学图像分割的卷积网络》，载于《国际医学图像计算与计算机辅助干预》（德国慕尼黑施普林格，2015），第234-241页。
[24] Rudin，L.I.，Osher，S.和Fatemi，E.，基于非线性总变差的噪声去除算法，Physica D60（1-4）（1992）259-268·Zbl 0780.49028号
[25] P.Sermanet、D.Eigen、X.Zhang、M.Mathieu、R.Fergus和Y.LeCun，Overfeat:使用卷积网络的集成识别、定位和检测，arXiv:1312.6229。
[26] Shapiro，L.和Stockman，G.C.，《计算机视觉》（Prentice Hall，2001）。
[27] Shotton，J.、Johnson，M.和Cipolla，R.，图像分类和分割的语义文本森林，IEEE Conf.计算机视觉和模式识别（CVPR 2008）。（IEEE，2008），第1-8页。
[28] Sturgess，P.、Alahari，K.、Ladicky，L.和Torr，P.H.S.，《结合运动特征的外观和结构以理解道路场景》，载于BMVC-British Machine Vision Conf.BMVA（英国伦敦，2009），第62.1-62.11页。
[29] Wu，C.和Tai，X.C.，《ROF、矢量TV和高阶模型的增广拉格朗日方法、对偶方法和分裂bregman迭代》，SIAM J.Imag。科学3（3）（2010）300-339·Zbl 1206.90245号
[30] Zeiler，M.D.和Fergus，R.，《可视化和理解卷积网络》，载于《欧洲计算机视觉会议》（瑞士苏黎世施普林格，2014），第818-833页。
[31] Zhao，H.、Shi，J.、Qi，X.、Wang，X.和Jia，J.，金字塔场景解析网络，收录于IEEE Conf.Computer Vision and Pattern Recognition（CVPR）（美国夏威夷檀香山，2017），第2881-2890页。
[32] Zheng，X.，Wang，Y.，Wag，G.和Liu，J.，通过自监督学习快速稳健地分割白细胞图像，Micron107（2018）55-71。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。