一种基于深度卷积神经网络的前景对象图像分割方法技术

本发明专利技术公开了一种基于深度卷积神经网络的前景对象图像分割方法，将分割任务设置为密集的标记问题，并提出一种基于深度卷积神经网络的像素级图像分割模型FOSeg模型。FOSeg模型是一个可以预测每个像素是前景对象可能性的支持端到端训练的前景对象图像分割模型。FOSeg模型分割流程图如图1所示：首先输入原始图像，经过深度卷积神经网络的卷积、汇合、线性整流等操作，然后输入到分流聚合模块从而得出特征映射得分图，随后经过双线性插值算法的上采样操作得到粗糙的分割图，最后将得到的粗糙分割图送入条件随机场模型中进一步细化分割结果，从而得出精细的分割图像。

A method of foreground object image segmentation based on deep convolution neural network

【技术实现步骤摘要】
一种基于深度卷积神经网络的前景对象图像分割方法
本专利技术涉及计算机视觉领域
，具体涉及一种基于深度卷积神经网络的前景对象图像分割方法。
技术介绍
根据分割是否依赖类别，可以将前景对象分割模型分为两类。(1)不依赖类别的分割：无论图像中的对象有多少类，只提取前景对象掩码的分割模型；(2)特定类别的分割：从分类标记的数据中学习,并寻求分割新图像中的特定类别的分割模型。(1)不依赖类别的分割根据分割策略与目的的不同，将不依赖类别的分割分为以下三种：交互式图像分割模型：如GrabCut[10]模型就是让人用边框或涂鸦来指导算法。当需要进行高精度的分割时，一些来自人类的指导是值得的，这类模型是较适合的。虽然减少人工的参与，但不能全自动的完成分割。对象建议模型：该类模型以边界框或区域的形式，生成上千个前景对象建议。产生上千个假设可以确保高的召回率，但往往会导致低精度的结果。虽然其对目标检测有效，但在没有特定信息的情况下，很难自动地从这个大的假设集合中过滤出准确的建议，完成分割任务。显著性模型：该类模型本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的前景对象图像分割方法，其特征在于：所述方法使用一个端到端的基于深度卷积神经网络DCNNs(Deep Convolutional Neural Networks)的监督学习模型FOSeg(Foreground Object Segmentation)，对逐像素的前景对象图像分割；FOSeg模型分割流程：首先输入原始图像，经过深度卷积神经网络的卷积、汇合、线性整流等操作，然后输入到分流聚合模块从而得出特征映射得分图，随后经过双线性插值算法的上采样操作得到粗糙的分割图，最后将得到的粗糙分割图送入全连接的条件随机场模型中进一步细化分割结果，从而得出精细的分割图像。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的前景对象图像分割方法，其特征在于：所述方法使用一个端到端的基于深度卷积神经网络DCNNs(DeepConvolutionalNeuralNetworks)的监督学习模型FOSeg(ForegroundObjectSegmentation)，对逐像素的前景对象图像分割；FOSeg模型分割流程：首先输入原始图像，经过深度卷积神经网络的卷积、汇合、线性整流等操作，然后输入到分流聚合模块从而得出特征映射得分图，随后经过双线性插值算法的上采样操作得到粗糙的分割图，最后将得到的粗糙分割图送入全连接的条件随机场模型中进一步细化分割结果，从而得出精细的分割图像。


2.根据权利要求1所述的一种基于深度卷积神经网络的前景对象图像分割方法，其特征在于：FOSeg模型由卷积层组成,中间有最大值汇合层。除最后一个卷积层大小为1x1，其余所有卷积核的大小均为3x3。每个卷积层后面还有一个线性整流层,然后再输入到下一层；FOSeg模型应用"扩张卷积...

【专利技术属性】
技术研发人员：杨戈，吴彬，
申请(专利权)人：北京师范大学珠海分校，
类型：发明
国别省市：广东;44