典型文献
基于改进AlexNet和线性迭代聚类的超像素分割方法
文献摘要：
针对超像素分割算法目标边缘分割不精确等问题,提出一种基于改进AlexNet和简单线性迭代聚类的超像素分割方法.采用可微分聚类算法模块,以取代S L IC算法中的硬像素-超像素关联;通过将迁移学习融入AlexNet模型,对全连接层参数进行调整,保留原网络的卷积层,根据所得到的特征进一步把识别检测问题转换成分离目标和背景的二分类问题.训练一个可微分的聚类算法模块,以产生准确的超像素.在BSDS500和M RI数据集上进行图像生成和图像分割的仿真结果表明,所提出的方法在图像生成边界召回率指标和超像素的生成时间性能指标分别达到69.32％ 和0.7037 s,实现了性能和时间的平衡,有效提高超像素的分割精度和分割时间效率.
文献关键词：
深度学习;图像处理;超像素;多层级迭代分割;超像素合并
中图分类号：
作者姓名：
陈孝如
作者机构：
广州软件学院 软件工程系 ,广东 广州 510990
文献出处：
引用格式：
[1]陈孝如-.基于改进AlexNet和线性迭代聚类的超像素分割方法)[J].大连工业大学学报,2022(04):298-305
A类：
多层级迭代分割
B类：
AlexNet,超像素分割,分割方法,分割算法,边缘分割,简单线性迭代聚类,可微分,聚类算法,算法模块,IC,迁移学习,全连接层,卷积层,识别检测,检测问题,问题转换,转换成,二分类问题,BSDS500,RI,图像生成,和图像,图像分割,召回率,时间性能,高超,时间效率,超像素合并
AB值：
0.335502
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
