A CNN Based Hybrid Model Method for Image Segmentation in Similar Fusion Background Image

摘要

本研究提出了相似融合度背景的圖像分割方法，主要演算法使用兩個卷積神經網路模型做圖像處理。相似融合度背景圖像指的是圖像中物件的顏色與紋路等特徵與背景相似，導致使用卷積層做為特徵提取方法的模型產生錯誤。 相較於傳統直接使用卷積層做特徵提取，本研究先使用PyNET模型分別強化圖像中物件與背景的特徵，並將此強化圖像與原始圖像依照一定重疊權重進行重疊。藉由重疊圖像同時保有原始圖像與強化圖像的特徵，使卷積層易於從物件與背景提取不同的特徵，讓物件不會融合於背景中被忽略掉。為了確保最後的圖像分割會有最好的效果，本研究對圖像做兩次分割，第一次會將大致物件形狀切出，第二次則是細分物體形狀與正確分類該物件的標籤。 於實驗結果中，本研究會以IoU得分做為指標，評估圖像分割模型U-Net、DeepLab、FCN的表現。於本研究的實驗一第一次分割中，U-Net模型有最好的表現，並於實驗二第二次分割中，該分割結果改善了相似融合度背景的圖像之圖像分割。觀察總得分可以發現，在處理相同的圖像時，使用U-Net模型相較於DeepLab模型，平均增加了20 %的IoU得分。

獎項日期	2020
原文	English
監督員	Chin-Feng Lai (Supervisor)