孙双林，杨 倩，张优敏

（重庆工程学院 软件学院，重庆 400056）

近年来，机器学习在图像分析领域取得了大量的成功，特别是在图像分类［1］、基于语义的图像分割［2］等领域，深度卷积神经网络（deep convolutional neural network，DCNN）成为最受欢迎的方法之一［3］。

传统的图像切割基于图切割技术，图切割就是移除一些边，使得2个子图不相连；图切割的目标是，找到一个切割，使得移除边的和权重最小。该技术的优点是分割效果还不错，并且是一种普适性的框架，适合各种特征。其问题主要在于时间复杂度和空间复杂度较高，需要事先选取分割块的数目［4］。FCN［5］是一类基于神经网络的图切割算法，它把所有的全连接层换成卷基层，原来只能输出一个类别分类的网络，可以在特征图的每一个像素输出一个分类结果［6］。Mask r-cnn［7］是一种基于划分区域的卷积神经网络的图像分割算法，该算法采用多分支输出和二进制掩码，取得了较好的分割效果，但复杂度较高。

在DCNN中，输入图像于中间层图像在大量后续层中于学习到的核心进行卷积，从而使网络可能学习到高度非线性的特征［8］。随着Tensor-Flow和Caffe等开源平台和工具的普及，DCNN的应用仍有进一步上升的势头［9］。

在DCNN应用中，为了取得更高的准确性，往往需要和其他操作相结合，比如通过缩小和放大操作，在不同的图像比例下捕获特征［10］，并且DCNN往往需要大量的中间层图像和大量可被训练的参数，对于高度非线性的困难问题，甚至需要上亿的参数［11］。复杂的模型和大量的参数给DCNN的应用带来了重大的挑战，比如层次和连接组合的不同选择可能显著地影响训练出的网络的准确性，而什么样的组合是最优的，在模型中是很难预测的［12］。……