摘要深度学习是机器学习的一个崭新的研究领域，其目的在于建立能够模拟人脑进行分 析学习的神经网络，并模仿人脑的机制来解释数据，例如图像、声音和文本。卷积神经 网络（CNN）是深度学习算法中比较典型的一类模型。在它的基础上发展而来的全卷积神 经网络（FCN），通过网络结构的改变，对图像数据集的分割准确率更高。图像语义分割 是将图像的语义特征聚类成数据集，之后通过相似性准则分析待分类区域所属的类别。 本文基于 2015 年伯克利大学发表的 Fully Convolutional Networks for Semantic Segmentation 论文，在介绍 FCN 的新型结构后，将 PASCAL VOC 2011 数据集和标签转换 为训练和测试样本，之后训练了 FCN-32s 模型，并给出在单幅图片上的分割测试结果。77085

毕业论文关键词 深度学习 卷积神经网络 图像语义分割

毕 业 设 计 说 明 书 外 文 摘 要

Title Image Semantic Segmentation Based on Fully Convolutional Neural Networks

Abstract Deep learning is a new field of Machine Learning。 Its purpose is to create the neural networks that can mimic function of human brain in learning and analizing。 the analysis and learning of human brain。It can imitate the mechanism of the human brain to interpret the data, such as images, sound and text。Convolutional neural network(CNN)is a typical model of deep learning algorithms,and it originated in artificial neural networks。 Fully convolutional neural network(FCN)is developed on the basis of convolutional neural network。It can acquire higher accuracy rate in image sets。Image semantic segmentation is classified into semantic feature sets,then the image can be classified by the criterion of similarity。 This thesis is inspired by the Fully Convolutional Networks for Semantic Segmentation papers published by UC Berkeley in 2015。 This thesis introduces advanced structure of FCN, and then converts the PASCAL VOC 2011 dataset and labels to training and testing samples。After that,the FCN-32s model is trained,and the thesis shows the results of image semantic segmentation。

Keywords  Deep learning  convolutional neural networks  semantic segmentation

本科毕业设计说明书 第 I 页

目 次

1 绪 论 1

1。1  课题背景及研究现状 1

1。2  本文完成工作及论文章节安排 3

2 卷 积 神 经 网 络 的 相 关 介 绍 4

2。 1  人工神经网络的基本结构 4

2。 2  卷积神经网络 7

2。 3   典型深度学习框架 Caffe 10

2 。 4   典型卷积神 经网络 Le N e t - 5 11

3 全 卷 积 神 经 网 络 介 绍 1 7

3。 1  全卷积神经网络模型概念 17

3。 2  全卷积神经网络模型结构分析 17

4 基 于 全 卷 积 神 经 网 络 的 图 像 语 义 分 割 实 验 2 0

4 。 1  C a f f e 平 台 模 型 库 的 完 善 20

4 。 2  F C N - 3 2 s 模 型 的 训 练