基于改進型ＤｅｅｐＬａｂ的圖像語義分割研究

摘要：深度學習在圖像語義分割方面有著廣泛的應用，能夠提高計算機對圖像的理解和識別能力，同時在自動駕駛、醫學影像等領域具有重要作用。然而，其現有算法還存在一些缺陷，如預測結果不連續、精度不高等。因此，文章基于深度學習技術以DccpLab V3+框架為研究對象，探究其基本原理和核心架構．并基于Xccption提出一種改進型DccpLab V3+框架，以解決預測結果不連續、下采樣導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數據集進行實驗驗證．并將改進的框架與初始的DccpLab V3+框架進行了比較。實驗結果表明，該方法在平均交并比方面表現更優，提高了2.82%的分割精度。

關鍵詞：DccpLab；Xccption；語義分割；Cityscapcs

中圖法分類號：TP391 文獻標識碼：A

１ 概述

隨著海量圖像數據的不斷涌現，計算機視覺成為當前計算機專業研究的熱門方向。目前，計算機視覺研究的主要研究領域包括圖像分類［１］ 、目標檢測與識別［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行預測，并將不同類別的像素點用不同顏色進行標識。語義分割在自動駕駛領域中可以實現對道路場景的自動識別，在醫學影像中可以輔助醫生的決策和診斷，在農機自動化中能夠實現農業設備的路徑識別導航等。

２０１４ 年，谷歌團隊提出了ＤｅｅｐＬａｂ 系列模型，在此之前，深度卷積神經網絡已被廣泛應用于目標檢測和圖像分類等研究領域。但是，深度卷積神經網絡在圖像語義分割領域有著難以克服的缺陷。比如，卷積神經網絡中的池化層在進行下采樣時會導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型框架。首先，本文探究了ＤｅｅｐＬａｂ Ｖ３＋框架的基本原理和模型結構，然后，將Ｘｃｅｐｔｉｏｎ 作為ＤｅｅｐＬａｂ Ｖ３＋框架的圖像特征提取網絡，最后使用Ｃｉｔｙｓｃａｐｅｓ 街景數據集進行了模型驗證。實驗結果表明，改進后的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＋模型結構

ＤｅｅｐＬａｂ Ｖ３＋模型是在ＤｅｅｐＬａｂ Ｖ３ 模型的基礎上進行優化而來的，該模型結合了編碼?解碼型算法多方面的優勢。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＋模型架構如圖１ 所示。

在編碼器中，圖像首先通過主干網絡進行特征提取，提取的結果包括淺層特征和經過整個骨干網絡訓練后得出的特征圖。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行融合。

這些操作使經過處理得到的特征圖融合了深層次特征。在解碼過程中，將編碼過程中產生的淺層特征與深層次特征進行融合，并進行一次３×３ 卷積。最后，模型進行一次上采樣并得出模型結果，使輸出結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。在基于深度學習的圖像語義分割方法中，卷積神經網絡是最普遍的算法。

經過卷積和池化操作，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。激活函數是神經網絡中的關鍵組成部分，ＤｅｅｐＬａｂ Ｖ３＋模型采用的是ＲｅＬＵ 激活函數，具有計算速度快、收斂速度快等優點，表達式為：ＲｅＬｕ ＝ｍａｘ（０，ｘ） （１）

２．２ 基于改進型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，會導致所分割的目標邊界不清晰、細節不明顯，影響后續圖像解釋。針對這些問題，本文對該方法提出了進一步的優化。改進型框架在利用傳統ＤｅｅｐＬａｂ Ｖ３＋的編碼－解碼架構的基礎上，將具有６５ 層卷積操作的Ｘｃｅｐｔｉｏｎ６５ 引入編碼器，并將其作為主干網絡來提取特征。這種網絡結構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節構造。改進的ＤｅｅｐＬａｂ Ｖ３＋框架仍使用編碼－解碼總體架構，如圖２ 所示。

輸入圖像經過Ｘｃｅｐｔｉｏｎ 特征提取網絡的６５ 層卷積和深度可分離卷積操作后，被分開輸出到下一級。

第一個數據流通過帶空洞卷積的池化層得到５ 種特征圖，經過融合后再進行１×１ 卷積。另一個數據流通過１×１ 卷積降低通道數后，與空間金字塔型池化層得到的特征圖進行融合，得到編碼器處理的高層次特征圖。高層次特征圖經過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據，包括經過池化層處理的深層次特征圖和通過空間注意力機制進行加權處理的特征圖，以及將特征提取網絡中不同層級的低層次特征作為輸入并與空間注意力機制進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行融合，并通過３×３ 卷積進行特征圖的最后一次細化處理，最后通過４ 倍上采樣來恢復特征圖大小完成圖像語義分割。

３ 實驗設計

３．１ 數據集

本研究將Ｃｉｔｙｓｃａｐｅｓ 數據集作為實驗數據，該數據集包含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用。

３．２ 實驗配置

本實驗平臺搭建在Ｗｉｎｄｏｗｓ １１ 的計算機上，具體實驗環境配置詳見表１。

３．３ 實驗結果

本研究在Ｃｉｔｙｓｃａｐｅｓ 數據集上進行了圖像語義分割的實驗，對輸入圖像進行了裁剪處理，使其大小統一為５１３×５１３×３。實驗中選取了５ ０００ 張精細標注的圖像信息，其中包括３ ０００ 張訓練集圖像、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＋算法和提出的改進算法對Ｃｉｔｙｓｃａｐｅｓ 數據集進行了圖像分割操作。對比實驗結果顯示，相較于傳統ＤｅｅｐＬａｂ Ｖ３＋算法，本文提出的改進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。多次實驗結果表明，改進算法在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。改進型Ｄｅｅｐ Ｌａｂ Ｖ３＋與原算法的對比效果如表２ 所列。

４ 結束語

本文旨在探究基于深度學習的圖像語義分割技術，著重關注ＤｅｅｐＬａｂ Ｖ３＋框架的算法改進和應用。

語義分割是計算機視覺中的一項重要任務，它可以將圖像中的每個像素分配到其所屬的語義類別，為計算機智能視覺領域提供了強有力的支持。因此，研究基于深度學習的圖像語義分割技術具有重要的意義。

為驗證所提出的改進算法的有效性和適用性，本研究在Ｃｉｔｙｓｃａｐｅｓ 數據集上進行了一系列實驗。實驗中，使用平均交并比等指標來評估所提出的圖像語義分割方法的性能。通過對實驗結果的分析發現，本文所優化的ＤｅｅｐＬａｂ Ｖ３＋框架在ＭＩｏＵ 分割精度方面提高了２．８２％，達到了較好的效果。

未來，我們將繼續探索實時語義分割的效率和提高弱監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絡結構和算法，以提高分割速度。在弱監督圖像語義分割方面，我們將探究更加有效的監督策略和數據增強方法，以提高分割精度。我們相信，以上工作將會進一步提高圖像語義分割技術的性能，并為實際應用提供更加可靠的支持。

參考文獻：

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

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

［３］ 田萱，王亮，丁琪．基于深度學習的圖像語義分割方法綜述［Ｊ］．軟件學報，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。