基于全卷積神經網絡的全向場景分割研究與算法實現(xiàn).pdf

1、隨著計算機性能的跨越式提高和大數(shù)據時代的來臨，深度學習受到了各界越來越廣泛的關注。它能夠將低級特征進行組合，形成更為抽象的高級特征，對數(shù)據進行更為本質的刻畫，因此被廣泛應用到了計算機視覺、文本翻譯、模式識別、搜索推薦等各個領域。
　　卷積神經網絡(CNN)是深度神經網絡的一種，它具有稀疏連接、參數(shù)共享的特點，可以自動提取特征，主要應用于二維圖像的識別，能夠實現(xiàn)圖像級別的分類。而全卷積網絡(FCN)是CNN的發(fā)展和延伸，它除了具有卷

2、積神經網絡的一般特點外，還有全卷積化、上采樣、跳躍結構等一系列特征。全卷積網絡能夠預測每個像素點的語義標簽，可以實現(xiàn)像素級別的分類，從而對圖像進行場景分割。
　　論文探討了CNN與FCN的網絡結構，工作原理以及各自特點，比較了兩種網絡之間的區(qū)別。為了實現(xiàn)全向場景的分割，本文在原有的FCN圖像分割的基礎上引入了全景圖像，詳細分析了全景圖像的種類、特點、應用場景以及對分割效果的影響，并論述了由普通圖像合成球面全景圖像的具體方法;為了進

3、一步地提高全向場景分割的效果，我們對基于FCN的網絡結構進行改進，最終將全景圖像與改進網絡相結合，提高了網絡對邊緣和細節(jié)部分的處理能力，實現(xiàn)了更準確的全向場景分割。本文的主要創(chuàng)新點在于:
　　一是引入全景圖像，將同一場景的普通圖像合成為球面全景圖，作為神經網絡的數(shù)據輸入。球面全景圖像具有更為廣闊的視野，能夠完全覆蓋周邊環(huán)境，在提供全向場景信息的同時，增強了圖像中物體的整體性，有助于網絡提取更具有代表性的特征。
　　二是在FC