科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对以往的分数阶非线性模型图像特征提取能力不足导致分割精确度较低的问题，提出了一种基于分数阶网络和强化学习的图像实例分割模型，该模型能够分割出图像中目标实例的高质量轮廓曲线。模型共包含两层模块：（1）第一层为二维分数阶非线性网络，主要采用混沌同步方法来获取图像中像素点的基础特征，并通过根据像素点间的相似性进行耦合连接的方式获取初步的图像分割结果；（2）第二层通过强化学习（RL）思想将图像实例分割建立为一个马尔可夫决策过程（MDP），利用建模过程中动作-状态对，奖励函数和策略的设计，获取到图像区域结构和类别信息。最后将第一层获取到的像素特征和初步分割结果与区域结构和类别信息联合起来进行实例分割。在Pascal VOC2007和Pascal VOC2012数据集中的实验结果表明，该模型相较OVSF、FCPSM等以往的非线性模型提升了至少5%的精准度。可见这种基于连续决策的图像实例分割模型与传统的分数阶模型相比，不仅能够获取图像中目标物体的类别信息，而且进一步提升了对轮廓细节和细粒度信息的提取能力。
-
单位重庆大学; 河北经贸大学; 重庆地质矿产研究院
