[發(fā)明專利]基于遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810240389.5
• 申請(qǐng)日: 2018-03-22
• 公開(kāi)（公告）號(hào): CN108648196A
• 公開(kāi)（公告）日: 2018-10-12
• 發(fā)明（設(shè)計(jì)）人: 林永飛;譚峻東
• 申請(qǐng)（專利權(quán)）人: 廣州多維魔鏡高新科技有限公司
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06K9/62
• 代理公司: 廣州市越秀區(qū)哲力專利商標(biāo)事務(wù)所(普通合伙) 44288
• 代理人: 羅晶;謝嘉舜

本發(fā)明公開(kāi)了一種基于遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法，圖像分割方法具體包括以下步驟：構(gòu)建遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)；對(duì)原始圖像進(jìn)行預(yù)處理；利用遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)對(duì)原始圖像進(jìn)行圖像語(yǔ)義分割處理；得到已分割好的圖像；其中，所構(gòu)建的遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)包含收縮模塊和擴(kuò)張模塊，收縮模塊的輸入端用于輸入原始圖像，收縮模塊的輸出端與擴(kuò)張模塊的輸入端連接，擴(kuò)張模塊的輸出端用于輸出經(jīng)遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)處理后的已分割好的圖像。本發(fā)明能有效減輕特征消失和梯度彌散的問(wèn)題，提高了圖像語(yǔ)義分割的精度。

技術(shù)領(lǐng)域

本發(fā)明涉及卷積神經(jīng)網(wǎng)絡(luò)領(lǐng)域，尤其涉及一種基于遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著卷積神經(jīng)網(wǎng)絡(luò)在公開(kāi)數(shù)據(jù)集上分類錯(cuò)誤率的不斷下降，業(yè)內(nèi)技術(shù)人員開(kāi)始關(guān)注卷積神經(jīng)網(wǎng)絡(luò)在圖像像素級(jí)的分割的應(yīng)用，即圖像語(yǔ)義分割。圖像語(yǔ)義分割是計(jì)算機(jī)視覺(jué)里除了圖像分類和目標(biāo)監(jiān)測(cè)外，另一個(gè)非常重要的研究領(lǐng)域。圖像語(yǔ)義分割是要對(duì)圖像中每一個(gè)像素點(diǎn)進(jìn)行分類，相對(duì)于圖像分類和目標(biāo)監(jiān)測(cè)來(lái)說(shuō)，圖像語(yǔ)義分割的難度更大。

目前，基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法，其所采用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)通常是將傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中的全連接層修改為卷積層，得到全卷積神經(jīng)網(wǎng)絡(luò)，從而實(shí)現(xiàn)圖像語(yǔ)義分割。

但是，現(xiàn)有的用于圖像語(yǔ)義分割的全卷積神經(jīng)網(wǎng)絡(luò)都存在特征在正向傳播中的消失以及梯度在反向傳播中的彌散的問(wèn)題，從而導(dǎo)致圖像語(yǔ)義分割的精度較差。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明的目的之一在于提供一種基于遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法，其能有效減輕特征消失和梯度彌散的問(wèn)題，提高了圖像語(yǔ)義分割的精度。

本發(fā)明的目的之二在于提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其能有效減輕特征消失和梯度彌散的問(wèn)題，提高了圖像語(yǔ)義分割的精度。

本發(fā)明的目的之一采用如下技術(shù)方案實(shí)現(xiàn)：

一種基于遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)的圖像分割方法，所述圖像分割方法具體包括以下步驟：

構(gòu)建遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)；

對(duì)原始圖像進(jìn)行預(yù)處理；

利用所述遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)處理之后的所述原始圖像進(jìn)行圖像語(yǔ)義分割處理；

得到已分割好的圖像；

其中，所構(gòu)建的遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)包含收縮模塊和擴(kuò)張模塊，所述收縮模塊的輸入端用于輸入原始圖像，所述收縮模塊的輸出端與所述擴(kuò)張模塊的輸入端連接，所述擴(kuò)張模塊的輸出端用于輸出經(jīng)所述遞歸連接式卷積神經(jīng)網(wǎng)絡(luò)處理后的已分割好的圖像；

所述收縮模塊由多個(gè)遞歸連接塊逐一遞進(jìn)連接而構(gòu)成；所述擴(kuò)張模塊具有多個(gè)重復(fù)的反卷積層，所述收縮模塊中的最后一個(gè)遞歸連接塊與所述擴(kuò)張模塊中的第一個(gè)反卷積層連接，每一個(gè)反卷積層的輸出結(jié)果與所述收縮模塊中對(duì)應(yīng)步驟的遞歸連接塊的輸出結(jié)果進(jìn)行疊加之后再輸入到下一個(gè)反卷積層中，最后一個(gè)反卷積層的輸出端為所述擴(kuò)張模塊的輸出端。

進(jìn)一步地，所述收縮模塊具有四個(gè)所述遞歸連接塊，所述擴(kuò)張模塊具有四個(gè)所述反卷積層。

進(jìn)一步地，所述遞歸連接塊具有第一通道和第二通道，所述第一通道由多個(gè)卷積層和最大池化層組成，各個(gè)卷積層逐一遞進(jìn)連接且每個(gè)卷積層的輸入為位于該卷積層前面的所有卷積層的輸出結(jié)果的疊加，最后一個(gè)卷積層的輸出端連接至所述最大池化層；所述第二通道由下采樣層和多個(gè)卷積層組成，所述下采樣層的輸出端連接至第一個(gè)卷積層的輸入端，各個(gè)卷積層逐一遞進(jìn)連接且每個(gè)卷積層的輸入為位于該卷積層前面的所有卷積層的輸出結(jié)果的疊加，所述第一通道的輸出結(jié)果與所述第二通道的輸出結(jié)果進(jìn)行疊加后輸出；其中，卷積層包括二維卷積、批量正則化和修正線性單元三個(gè)連續(xù)操作。

進(jìn)一步地，所述第一通道和所述第二通道均含有四個(gè)卷積層。