基于深度生成式对抗网络的蓝藻语义分割

摘要 针对传统图像分割算法分割蓝藻图像准确率不足的问题，提出了一种基于深度神经网络（DNN）和生成式对抗网络（GAN）思想的网络结构，称为深度生成式对抗网络（DGAN）。首先，在传统全卷积神经网络（FCN）的基础上构建了一个12层的FCN作为生成网络（G），用于学习分布规律，生成蓝藻图像的分割结果（Fake）；然后，设计了一个5层的卷积神经网络（CNN）作为判别网络（D），用于区分生成网络生成的分割结果（Fake）和手工标注的真实分割结果（Label），G试图生成Fake并蒙骗D，D试图找出Fake并惩罚G；最后，通过两个网络的对抗式训练，G生成的Fake可以蒙骗D，从而获得了更好的分割结果。在3075张蓝藻图像集上的训练和测试结果表明，DGAN在精确率、召回率及F1分数等指标上均大幅领先基于迭代的阈值分割算法；相比FCNNet （SHELHAMER E，LONG J，DARRELL T.Fully convolutional networks for semantic segmentation.IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（4）：640-651）、Deeplab （CHEN L C，PAPANDREOU G，KOKKINOS I，et al.Semantic image segmentation with deep convolutional nets and fully connected CRFs.Computer Science，2014（4）：357-361）等其他基于DNN的方法也提升了超过4个百分点，取得了更精准的分割结果。分割速度上，DGAN的0.63 s略慢于FCNNet的0.46 s，但远快于Deeplab的1.31 s。DGAN均衡的分割准确率和分割速度为基于图像的蓝藻语义分割提供了可行的技术方案