基于深度卷积神经网络的红外场景理解算法

被引：9

作者：

王晨 ^{[1
,2
,3
]}

汤心溢 ^{[1
,3
]}

高思莉 ^{[1
,3
]}

机构：

[1] 中国科学院上海技术物理研究所

[2] 中国科学院大学

[3] 中国科学院红外探测与成像技术重点实验室

来源：

红外技术 | 2017年 / 39卷 / 08期

关键词：

红外图像; 红外场景; 语义分割; 卷积神经网络;

D O I：

暂无

中图分类号：

TP183 [人工神经网络与计算]; TP391.41 [];

学科分类号：

080203 ;

摘要：

采用深度学习的方法实现红外图像场景语义理解。首先,建立含有4类别前景目标和1个类别背景的用于语义分割研究的红外图像数据集。其次,以深度卷积神经网络为基础,结合条件随机场后处理优化模型,搭建端到端的红外语义分割算法框架并进行训练。最后,在可见光和红外测试集上对算法框架的输出结果进行评估分析。实验结果表明,采用深度学习的方法对红外图像进行语义分割能实现图像的像素级分类,并获得较高的预测精度。从而可以获得红外图像中景物的形状、种类、位置分布等信息,实现红外场景的语义理解。

引用

页码：728 / 733

页数：6

共 8 条

[1] Conditional random fields as recurrent neural networks. Zheng Shuai,Jayasumama S,Romera-Paredes B,et al. IEEE conference on computer vision and pattern recognition . 2015
[2] Learning deconvolution network for semantic segmentation. Noh H,Hong S,Han B. The IEEE International Conference on Computer Vision . 2015
[3] The Cityscapes Dataset for Semantic Urban Scene Understanding. Cordts M,Omran M,Ramos S,et al. Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition . 2016
[4] Very deep convolutional networks for large-scale image recognition. Simonyan K,Zisserman A. . 2014
[5] Efficient Inference in fully connected CRFs with Gaussian edge potentials. Krhenbühl P,Koltun V. Advances in Neural Information Processing Systems . 2012
[6] Adaptive histogram equalization and its variations. Stephen M. Pizer,E. Philip Amburn,John D. Austin,Robert Cromartie,Ari Geselowitz,Trey Greer,Bart ter Haar Romeny,Karel Zuiderveld. Computer Vision . 1987
[7] Fully convolutional netw orks for semantic segmentation. Long J,Shelhamer E,Darrell T. 2015 IEEE Conference on Computer Vision and Pattern Recognition(CVPR) . 2015
[8] Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs. Chen L C,Papandreou G,Kokkinos I,et al. Computer Science . 2014

← 1 →