摘要：深度學(xué)習(xí)在圖像語義分割方面有著廣泛的應(yīng)用，能夠提高計算機(jī)對圖像的理解和識別能力，同時在自動駕駛、醫(yī)學(xué)影像等領(lǐng)域具有重要作用。然而，其現(xiàn)有算法還存在一些缺陷，如預(yù)測結(jié)果不連續(xù)、精度不高等。因此，文章基于深度學(xué)習(xí)技術(shù)以DccpLab V3+框架為研究對象，探究其基本原理和核心架構(gòu)．并基于Xccption提出一種改進(jìn)型DccpLab V3+框架，以解決預(yù)測結(jié)果不連續(xù)、下采樣導(dǎo)致特征圖信息丟失等問題，從而提高分割的精度。該研究使用Cityscapcs數(shù)據(jù)集進(jìn)行實驗驗證．并將改進(jìn)的框架與初始的DccpLab V3+框架進(jìn)行了比較。實驗結(jié)果表明，該方法在平均交并比方面表現(xiàn)更優(yōu)，提高了2.82%的分割精度。

關(guān)鍵詞：DccpLab；Xccption；語義分割；Cityscapcs

中圖法分類號：TP391 文獻(xiàn)標(biāo)識碼：A

１ 概述

隨著海量圖像數(shù)據(jù)的不斷涌現(xiàn)，計算機(jī)視覺成為當(dāng)前計算機(jī)專業(yè)研究的熱門方向。目前，計算機(jī)視覺研究的主要研究領(lǐng)域包括圖像分類［１］ 、目標(biāo)檢測與識別［２］ 以及語義分割［３］ 等。其中，語義分割是指對原圖像中每個像素點所屬的類別概率進(jìn)行預(yù)測，并將不同類別的像素點用不同顏色進(jìn)行標(biāo)識。語義分割在自動駕駛領(lǐng)域中可以實現(xiàn)對道路場景的自動識別，在醫(yī)學(xué)影像中可以輔助醫(yī)生的決策和診斷，在農(nóng)機(jī)自動化中能夠?qū)崿F(xiàn)農(nóng)業(yè)設(shè)備的路徑識別導(dǎo)航等。

２０１４ 年，谷歌團(tuán)隊提出了ＤｅｅｐＬａｂ 系列模型，在此之前，深度卷積神經(jīng)網(wǎng)絡(luò)已被廣泛應(yīng)用于目標(biāo)檢測和圖像分類等研究領(lǐng)域。但是，深度卷積神經(jīng)網(wǎng)絡(luò)在圖像語義分割領(lǐng)域有著難以克服的缺陷。比如，卷積神經(jīng)網(wǎng)絡(luò)中的池化層在進(jìn)行下采樣時會導(dǎo)致圖像的分辨率降低、使圖像中的空間位置信息偏差較大等。

為解決這些問題，本文研究了基于ＤｅｅｐＬａｂ Ｖ３＋框架的圖像語義分割算法并提出了改進(jìn)型框架。首先，本文探究了ＤｅｅｐＬａｂ Ｖ３＋框架的基本原理和模型結(jié)構(gòu)，然后，將Ｘｃｅｐｔｉｏｎ 作為ＤｅｅｐＬａｂ Ｖ３＋框架的圖像特征提取網(wǎng)絡(luò)，最后使用Ｃｉｔｙｓｃａｐｅｓ 街景數(shù)據(jù)集進(jìn)行了模型驗證。實驗結(jié)果表明，改進(jìn)后的ＤｅｅｐＬａｂ Ｖ３＋框架比原算法在分割精度ＭＩｏＵ 方面提高了２．８２％。

２ 基于ＤｅｅｐＬａｂ 模型的圖像語義分割方法

２．１ ＤｅｅｐＬａｂＶ３＋模型結(jié)構(gòu)

ＤｅｅｐＬａｂ Ｖ３＋模型是在ＤｅｅｐＬａｂ Ｖ３ 模型的基礎(chǔ)上進(jìn)行優(yōu)化而來的，該模型結(jié)合了編碼?解碼型算法多方面的優(yōu)勢。ＤｅｅｐＬａｂ Ｖ３＋模型中的編碼器和解碼器２ 個模塊使它能夠更好地平衡精度和時間。

ＤｅｅｐＬａｂ Ｖ３＋模型架構(gòu)如圖１ 所示。

在編碼器中，圖像首先通過主干網(wǎng)絡(luò)進(jìn)行特征提取，提取的結(jié)果包括淺層特征和經(jīng)過整個骨干網(wǎng)絡(luò)訓(xùn)練后得出的特征圖。這些特征圖通過金字塔型的池化層提取特征，再由不同倍率的空洞卷積進(jìn)行融合。

這些操作使經(jīng)過處理得到的特征圖融合了深層次特征。在解碼過程中，將編碼過程中產(chǎn)生的淺層特征與深層次特征進(jìn)行融合，并進(jìn)行一次３×３ 卷積。最后，模型進(jìn)行一次上采樣并得出模型結(jié)果，使輸出結(jié)果與原始圖像大小相同。ＤｅｅｐＬａｂ Ｖ３＋模型的層次主要包括卷積層、池化層和激活函數(shù)。在基于深度學(xué)習(xí)的圖像語義分割方法中，卷積神經(jīng)網(wǎng)絡(luò)是最普遍的算法。

經(jīng)過卷積和池化操作，輸出特征圖用于圖像語義分割。為降低模型參數(shù)量和防止過擬合，通常在卷積層后添加池化層，以降低圖像特征的大小。激活函數(shù)是神經(jīng)網(wǎng)絡(luò)中的關(guān)鍵組成部分，ＤｅｅｐＬａｂ Ｖ３＋模型采用的是ＲｅＬＵ 激活函數(shù)，具有計算速度快、收斂速度快等優(yōu)點，表達(dá)式為：ＲｅＬｕ ＝ｍａｘ（０，ｘ） （１）

２．２ 基于改進(jìn)型ＤｅｅｐＬａｂ Ｖ３ ＋模型的圖像分割

研究表明，ＤｅｅｐＬａｂ Ｖ３＋模型存在未充分利用不同層次特征信息等問題，會導(dǎo)致所分割的目標(biāo)邊界不清晰、細(xì)節(jié)不明顯，影響后續(xù)圖像解釋。針對這些問題，本文對該方法提出了進(jìn)一步的優(yōu)化。改進(jìn)型框架在利用傳統(tǒng)ＤｅｅｐＬａｂ Ｖ３＋的編碼－解碼架構(gòu)的基礎(chǔ)上，將具有６５ 層卷積操作的Ｘｃｅｐｔｉｏｎ６５ 引入編碼器，并將其作為主干網(wǎng)絡(luò)來提取特征。這種網(wǎng)絡(luò)結(jié)構(gòu)能夠充分利用低層次特征中的空間位置信息，有助于還原分割后圖像的細(xì)節(jié)構(gòu)造。改進(jìn)的ＤｅｅｐＬａｂ Ｖ３＋框架仍使用編碼－解碼總體架構(gòu)，如圖２ 所示。

輸入圖像經(jīng)過Ｘｃｅｐｔｉｏｎ 特征提取網(wǎng)絡(luò)的６５ 層卷積和深度可分離卷積操作后，被分開輸出到下一級。

第一個數(shù)據(jù)流通過帶空洞卷積的池化層得到５ 種特征圖，經(jīng)過融合后再進(jìn)行１×１ 卷積。另一個數(shù)據(jù)流通過１×１ 卷積降低通道數(shù)后，與空間金字塔型池化層得到的特征圖進(jìn)行融合，得到編碼器處理的高層次特征圖。高層次特征圖經(jīng)過４ 倍上采樣后輸送到解碼階段。解碼器接收了編碼處理后的數(shù)據(jù)，包括經(jīng)過池化層處理的深層次特征圖和通過空間注意力機(jī)制進(jìn)行加權(quán)處理的特征圖，以及將特征提取網(wǎng)絡(luò)中不同層級的低層次特征作為輸入并與空間注意力機(jī)制進(jìn)行特征融合得到的特征圖。在解碼階段，編碼階段上采樣后的高層次特征圖與解碼階段前期的特征圖進(jìn)行融合，并通過３×３ 卷積進(jìn)行特征圖的最后一次細(xì)化處理，最后通過４ 倍上采樣來恢復(fù)特征圖大小完成圖像語義分割。

３ 實驗設(shè)計

３．１ 數(shù)據(jù)集

本研究將Ｃｉｔｙｓｃａｐｅｓ 數(shù)據(jù)集作為實驗數(shù)據(jù)，該數(shù)據(jù)集包含５０ 余個城市的街景圖像，涵蓋汽車、行人、地面等１９ 個物體類別，在無人駕駛和道路場景語義分割的研究中得到廣泛應(yīng)用。

３．２ 實驗配置

本實驗平臺搭建在Ｗｉｎｄｏｗｓ １１ 的計算機(jī)上，具體實驗環(huán)境配置詳見表１。

３．３ 實驗結(jié)果

本研究在Ｃｉｔｙｓｃａｐｅｓ 數(shù)據(jù)集上進(jìn)行了圖像語義分割的實驗，對輸入圖像進(jìn)行了裁剪處理，使其大小統(tǒng)一為５１３×５１３×３。實驗中選取了５ ０００ 張精細(xì)標(biāo)注的圖像信息，其中包括３ ０００ 張訓(xùn)練集圖像、１ ０００ 張驗證集圖像和１ ０００ 張測試集圖像，涵蓋１９ 個類別的物體，如樹、車、馬路、路燈、人等。本文采用了ＤｅｅｐＬａｂＶ３＋算法和提出的改進(jìn)算法對Ｃｉｔｙｓｃａｐｅｓ 數(shù)據(jù)集進(jìn)行了圖像分割操作。對比實驗結(jié)果顯示，相較于傳統(tǒng)ＤｅｅｐＬａｂ Ｖ３＋算法，本文提出的改進(jìn)算法能比較清晰地分割出建筑、汽車等，圖３（ｃ）相較于圖３（ｂ）就更加清晰地分割出黃色圓圈中的路燈、汽車等物體，通過與圖３（ａ）相比可以明顯看出，改進(jìn)型ＤｅｅｐＬａｂ Ｖ３＋算法更加接近物體在原始圖像中的空間位置特征，減少了圖像信息損失。多次實驗結(jié)果表明，改進(jìn)算法在ＭＩｏＵ 值和ＭＰＡ 值上分別提高了２．８２％和１．３７％，顯著提高了圖像分割性能。其中，一幅圖像的分割效果對比如圖３ 所示。改進(jìn)型Ｄｅｅｐ Ｌａｂ Ｖ３＋與原算法的對比效果如表２ 所列。

４ 結(jié)束語

本文旨在探究基于深度學(xué)習(xí)的圖像語義分割技術(shù)，著重關(guān)注ＤｅｅｐＬａｂ Ｖ３＋框架的算法改進(jìn)和應(yīng)用。

語義分割是計算機(jī)視覺中的一項重要任務(wù)，它可以將圖像中的每個像素分配到其所屬的語義類別，為計算機(jī)智能視覺領(lǐng)域提供了強(qiáng)有力的支持。因此，研究基于深度學(xué)習(xí)的圖像語義分割技術(shù)具有重要的意義。

為驗證所提出的改進(jìn)算法的有效性和適用性，本研究在Ｃｉｔｙｓｃａｐｅｓ 數(shù)據(jù)集上進(jìn)行了一系列實驗。實驗中，使用平均交并比等指標(biāo)來評估所提出的圖像語義分割方法的性能。通過對實驗結(jié)果的分析發(fā)現(xiàn)，本文所優(yōu)化的ＤｅｅｐＬａｂ Ｖ３＋框架在ＭＩｏＵ 分割精度方面提高了２．８２％，達(dá)到了較好的效果。

未來，我們將繼續(xù)探索實時語義分割的效率和提高弱監(jiān)督圖像語義分割精度等方面的研究。在實時語義分割方面，我們將探究更加高效的網(wǎng)絡(luò)結(jié)構(gòu)和算法，以提高分割速度。在弱監(jiān)督圖像語義分割方面，我們將探究更加有效的監(jiān)督策略和數(shù)據(jù)增強(qiáng)方法，以提高分割精度。我們相信，以上工作將會進(jìn)一步提高圖像語義分割技術(shù)的性能，并為實際應(yīng)用提供更加可靠的支持。

參考文獻(xiàn)：

［１］ 羅建豪，吳建鑫．基于深度卷積特征的細(xì)粒度圖像分類研究綜述［Ｊ］．自動化學(xué)報，２０１７，４３（８）：１３０６?１３１８．

［２］ 王彥情，馬雷，田原．光學(xué)遙感圖像艦船目標(biāo)檢測與識別綜述［Ｊ］．自動化學(xué)報，２０１１，３７（９）：１０２９?１０３９．

［３］ 田萱，王亮，丁琪．基于深度學(xué)習(xí)的圖像語義分割方法綜述［Ｊ］．軟件學(xué)報，２０１９，３０（２）：４４０?４６８．

作者簡介：鄭永奇（１９８４—），碩士，講師，研究方向：信息安全、信息管理。