[發明專利]一種基于深度學習的類別敏感型邊緣檢測方法

在審

• 申請號: 201811520198.0
• 申請日: 2018-12-12
• 公開（公告）號: CN109741351A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 王磊;徐成俊;程俊
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06N3/04
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 范盈

1.一種基于深度學習的類別敏感型邊緣檢測方法，其特征在于，采用深度學習神經網絡模型得到若干類別目標的邊緣分類檢測結果。

2.如權利要求1所述的基于深度學習的類別敏感型邊緣檢測方法，其特征在于，將待檢測圖像輸入所述深度學習神經網絡模型，所述深度學習神經網絡模型為CNN卷積神經網絡模型，其中包括特征提取步驟(1)、上采樣步驟(2)，特征融合及分類步驟(3)。

3.如權利要求2所述的基于深度學習的類別敏感型邊緣檢測方法，其特征在于，所述特征提取步驟(1)包括5個階段的特征提取(S1-S5)，得到不同尺度的二值分類的邊緣特征圖。

4.如權利要求2或3所述的基于深度學習的類別敏感型邊緣檢測方法，其特征在于，在訓練所述CNN卷積神經網絡模型時，采用一個自適應尺度變換的標簽來監督訓練。

5.如權利要求2所述的基于深度學習的類別敏感型邊緣檢測方法，其特征在于，所述上采樣步驟(2)，是對所述特征提取步驟(1)提取的邊緣特征進行上采樣，上采樣的圖像尺寸與待檢測圖像大小一致；所述特征融合及分類步驟(3)，是根據所述上采樣步驟(2)的結果，進行特征融合，同時對邊緣的類別進行分類。

6.如權利要求5所述的基于深度學習的類別敏感型邊緣檢測方法，其特征在于，所述特征融合及分類的方式為：

E＝{E₁，E₂，E₃}，

F＝{F₁，F₂，...，F_n}，

F_new＝{F₁，E，F₂，E，...，F_n，E}，

其中E代表特征提取步驟(1)中通過監督學習得到的邊緣特征圖像集合，E_i代表第i個階段得到邊緣特征的上采樣特征，i＝1、2、3，F代表第6階段(S6)得到的特征，F_n表示F一共有n個通道，n為要識別目標的類別數，F_new是特征融合后得到的新特征，其中第6階段的特征(S6)是對第5階段特征(S5)的上采樣。

7.如權利要求6所述的基于深度學習的類別敏感型邊緣檢測方法，其特征在于，所述CNN卷積神經網絡模型的損失函數的使用方式為：在特征提取步驟(1)的二值圖像的監督學習中使用重置權重的損失函數；在第6階段(S6)的多類別邊緣監督學習中使用一般的交叉損失函數；在特征融合及分類步驟(3)中使用重置權重的損失函數。

8.如權利要求1-7任一項所述的基于深度學習的類別敏感型邊緣檢測方法，其特征在于，得到的不同類別邊緣采用不同顏色表示。