版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領
文檔簡介
1、圖像語義標注作為場景理解中的一個基本問題,已成為計算機視覺領域研究的熱點;并廣泛應用于探險搜索、自動導航、安全防護、醫(yī)療護理等領域,具有重要的學術研究和工程應用價值。于是,本文設計了一種基于高階條件隨機場(CRFs)和稀疏字典學習的場景語義標注框架。首先,利用融合深度的多尺度分層過分割法獲得場景的超像素區(qū)域;接著,利用融合區(qū)域級多模態(tài)感知線索特征的二階CRFs模型,實現(xiàn)基于自底向上區(qū)域級表達的圖像場景標注;然后,利用不同類別統(tǒng)計先驗約束
2、判別性視覺特征的稀疏字典表示,構(gòu)成基于判別性稀疏字典學習的高階CRFs模型,實現(xiàn)基于自頂向下語義類別判別成本約束的場景語義標注。
針對目前快速的非監(jiān)督過分割方法在復雜場景中難于獲得與目標物體的一致性邊緣,本文提出采用基于多源感知多尺度組合成組的全局概率邊緣超度量圖(gpb-ucm)分層方法進行過分割待標注的RGB-D場景。首先,利用場景中圖像色彩、紋理及深度等感知線索,基于gpb-ucm分割法進行多尺度分層過分割得到不同尺度下
3、的過分割區(qū)域圖;然后,基于投影變換配準每個尺度的過分割區(qū)域圖;最后,融合合并各個尺度配準下的過分割區(qū)域的邊緣權值,以實現(xiàn)合成最終的分層分割區(qū)域圖。NYU Depth V2數(shù)據(jù)集上實驗表明,基于深度信息和多尺度融合改進過分割法,能提升劃分待解析場景超像素區(qū)域的目標物體邊緣性能,為后續(xù)基于以超像素分割區(qū)域為節(jié)點的概率圖模型的語義標注框架提供緊湊且可靠的場景結(jié)構(gòu)表達。
鑒于傳統(tǒng)場景語義標注方案中單一模態(tài)局部特征的表達能力欠佳和局部特
4、征信息難于捕獲上下文語義標簽之間有效依賴的問題,本文提出一種基于自底向上多模態(tài)特征融合的二階CRFs模型建模場景上下文關系的圖像語義標注方法。首先,以即得場景過分割區(qū)域為節(jié)點,分別提取并歸一化以顏色驅(qū)動的核描述子外觀特征和以深度驅(qū)動的HHA幾何特征。接著,拼接各個超像素區(qū)域節(jié)點即得的歸一化多模態(tài)視覺特征向量;利用支持向量機(SVM)分類器判別超像素區(qū)域相應的語義類別得分作為該CRFs模型中各節(jié)點的一元項勢能;以相鄰超像素過分割區(qū)域中LU
5、V空間色彩特征差異為該CRFs模型中鄰域邊的成對項勢能,自底向上構(gòu)建待解析場景區(qū)域級表示的概率圖模型。然后,在結(jié)構(gòu)化支持向量機框架SSVM下,最小化訓練集中基準標注圖與基于該CRFs推斷的標注圖之間的誤差,基于BCFW(Block Coordinate Frank-Wolfe)優(yōu)化方法學習該二階CRFs模型參數(shù)。最后,給定CRFs模型和測試圖像時,在最大化后驗概率MAP框架下,基于圖分割方法推斷待解析場景的語義標注結(jié)果。NYU Dept
6、h V2數(shù)據(jù)集上的實驗表明,基于深度信息和多模態(tài)特征融合的二階CRFs模型標注框架,能解析推斷出視覺表現(xiàn)力更強、標注準確率更高的語義標注圖。
為了克服場景標注中局部上下文信息難以捕獲長距離超像素區(qū)域視覺表達和目標對象之間的相互依賴關系的問題,本文提出一種基于自頂向下判別性稀疏字典學習高階條件隨機場模型的圖像標注方法。首先,按照每個不同語義類別,分別提取相應過分割區(qū)域中的視覺特征;采用字典學習方法稀疏編碼每個類別的視覺特征,以初
7、始化各個特定類別的相應稀疏字典;在上述二階CRFs模型標注基礎上,引入每一語義類的稀疏編碼子直方圖高階約束成本,構(gòu)建基于自頂向下高階CRFs的標注模型。然后,在結(jié)構(gòu)化支持向量機框架SSVM下,最小化訓練集中基準標注圖與高階CRFs模型推斷的標注圖之間的誤差過程中,先固定高階CRFs模型參數(shù)基于梯度下降法遞進式學習相應稀疏字典表示;后固定稀疏字典基于BCFW優(yōu)化方法進行交替式學習高階CRFs模型參數(shù)。最后,給定高階CRFs模型和測試圖像時
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于字典學習和稀疏表示的圖像融合方法.pdf
- 深度學習驅(qū)動的場景分析和語義目標解析.pdf
- 基于稀疏表示和字典學習的語音增強算法研究.pdf
- 基于聯(lián)合字典學習和稀疏表示的語音降噪算法研究.pdf
- 基于稀疏表示和字典學習的圖像去噪研究.pdf
- 基于稀疏字典學習和核稀疏表示的圖像超分辨率重建.pdf
- 基于CSAE和字典學習的室內(nèi)場景分類方法研究.pdf
- 基于組稀疏和字典學習的人體行為識別方法.pdf
- 基于稀疏字典學習的圖像重構(gòu)模型研究.pdf
- 基于字典學習的稀疏表示人臉表情識別.pdf
- 基于稀疏表示和字典學習的圖像去噪方法的研究.pdf
- 基于稀疏表示和字典學習的低劑量CT圖像恢復研究.pdf
- 基于稀疏編碼與字典學習的人臉識別.pdf
- 基于字典學習和稀疏表示的超分辨率重建算法研究.pdf
- 基于稀疏編碼字典和深度學習的極化SAR影像地物分類.pdf
- 基于非局部稀疏模型的最小字典學習.pdf
- 圖像壓縮傳感中基于變換域和字典學習的稀疏表示研究.pdf
- 基于稀疏表示和聚類字典學習的人臉識別算法研究.pdf
- 基于字典學習的分片稀疏磁共振圖像重建方法.pdf
- 基于稀疏表示與字典學習的極化SAR圖像壓縮.pdf
評論
0/150
提交評論