Resumen

En los últimos años, los métodos basados en redes neuronales han logrado un excelente rendimiento para la segmentación de imágenes. Sin embargo, la segmentación en la zona de los bordes sigue siendo insatisfactoria cuando se trata de límites complejos. Este artículo propone una arquitectura de segmentación semántica basada en el marco bayesiano. El marco completo se compone de tres estructuras de red, una red de probabilidad y una red de bordes a priori en la parte delantera, seguidas de una red de restricciones. La red de verosimilitud produce un resultado aproximado de segmentación, que posteriormente se optimiza mediante la información a priori de los bordes, incluidos el mapa de bordes y la distancia entre bordes. Para la red de restricciones, se propone el método de transformación de dominio modificado, en el que la dirección de difusión se revisa mediante el mapa de distancia recién definido y algunas condiciones de restricción añadidas. Los experimentos sobre el enfoque propuesto y varios métodos contrastivos muestran que nuestro método propuesto tuvo un buen rendimiento y superó a FCN en términos de precisión media para 0,0209 en el conjunto de datos ESAR.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:borde, red de restricción, red de verosimilitud, conjunto de datos esar, método de transformación de dominio, resultado aproximado de segmentación, arquitectura de segmentación semántica, varios métodos contrastivos, marco bayesiano, precisión media
• Keywords:edge, constraint network, likelihood network, esar data set, domain transform method, rough segmentation result, semantic segmentation architecture, several contrastive methods, bayesian framework, average accuracy