博士毕业论文

发布时间：2025年09月27日作者:aiycxz.cn

基于深度学习的图像语义分割方法研究RESEARCH ON IMAGE SEMANTIC SEGMENTATION METHODS BASED ON DEEP LEARNING张婧哈尔滨工业大学2021 年 6 月国内图书分类号：TP391.4国际图书分类号：004.8学校代码：10213密级：公开工学博士学位论文基于深度学习的图像语义分割方法研究博士研究生：张婧导师：姚鸿勋教授申请学位：工学博士学科：计算机科学与技术所在单位：计算机科学与技术学院答辩日期：2021年6月授予学位单位：哈尔滨工业大学Classified Index: TP391.4U.D.C: 004.8# Dissertation for the Doctoral Degree in Engineering## RESEARCH ON IMAGE SEMANTIC SEGMENTATION METHODS BASED ON DEEP LEARNING### Candidate:**Supervisor:** Academic Degree Applied for: Speciality: Affiliation: Date of Defence: Degree-Conferring-Institution: Zhang Jing Prof. Yao Hongxun Doctor of Engineering Computer Science and Technology School of Computer Science and Technology June, 2021 Harbin Institute of Technology 摘要摘要图像语义分割是计算机视觉领域的关键问题之一，其目标是为图像中的每个像素分配一个语义类别标签。作为场景理解的基础，图像语义分割在自动驾驶、机器人导航、医学图像分析等应用中具有重要价值。近年来，随着深度学习技术的快速发展，基于深度学习的图像语义分割方法取得了显著进展。然而，由于图像语义分割任务本身的复杂性，现有方法仍面临诸多挑战。首先，图像语义分割需要同时处理像素级分类和空间位置信息，这要求模型具有强大的特征表示能力。其次，图像中目标物体通常具有尺度多样性，如何有效处理多尺度目标是图像语义分割面临的重要挑战。此外，图像中目标物体通常具有复杂的形状和边界，如何准确分割目标边界也是图像语义分割的关键问题。最后，在真实场景中，图像语义分割模型需要处理各种复杂的环境条件，如光照变化、遮挡等，这对模型的鲁棒性提出了更高要求。针对上述挑战，本文从特征表示学习、多尺度信息融合、边界优化和模型鲁棒性四个方面展开研究，主要工作和创新点如下：（1）针对现有语义分割方法在特征表示学习方面的不足，提出了一种基于注意力机制的语义分割网络。该网络通过引入通道注意力和空间注意力模块，自适应地学习特征图中不同通道和空间位置的重要性，从而增强对关键特征的表示能力。具体而言，通道注意力模块通过全局平均池化和全连接层学习每个通道的权重，空间注意力模块通过卷积操作学习每个空间位置的权重。通过将这两个注意力模块集成到编码器-解码器结构中，网络能够更有效地捕捉图像中的语义信息。在多个公开数据集上的实验结果表明，该方法在分割精度和计算效率方面均优于现有方法。（2）针对多尺度目标分割问题，提出了一种多尺度特征融合网络。该网络通过设计多分支结构，在不同尺度上提取特征，并通过特征金字塔网络进行特征融合。具体而言，网络包含多个并行分支，每个分支使用不同大小的卷积核或池化操作来捕获不同尺度的特征。然后，通过自上而下和横向连接的方式将这些特征融合，形成多尺度特征金字塔。此外，还引入了一种自适应权重学习机制，动态调整不同尺度特征的贡献，从而更好地处理尺度变化。实验结果表明，该方法在包含多尺度目标的复杂场景中表现出色。（3）针对边界分割不准确的问题，提出了一种边界感知的语义分割方法。该方法通过显式地建模边界信息，提高分割边界的准确性。具体而言，首先设计了一个边界检测模块，用于预测图像中的语义边界。然后，将边界信息与语义分割网络相结合，通过多任务学习的方式联合优化边界检测和语义分割任务。此外，还提出了一种边界哈尔滨工业大学工学博士学位论文细化策略，在解码过程中逐步优化边界区域的分割结果。通过在多个数据集上的实验验证，该方法能够显著改善边界区域的分割质量。（4）针对模型鲁棒性问题，提出了一种基于对抗训练的语义分割方法。该方法通过引入对抗样本训练，提高模型对噪声、遮挡等干扰的鲁棒性。具体而言，在训练过程中生成对抗样本，并通过最小化对抗风险来优化模型参数。同时，还设计了一种自适应对抗训练策略，根据样本难度动态调整对抗训练的强度。实验结果表明，该方法在多种干扰条件下均能保持稳定的分割性能。综上所述，本文围绕图像语义分割中的关键问题，从特征表示、多尺度处理、边界优化和模型鲁棒性四个方面提出了创新性方法。通过大量实验验证了所提方法的有效