[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

本發明提出了一種基于深度學習的類別敏感型邊緣檢測方法，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。使用深度監督方法進行模型訓練，在訓練過程中使用自適應尺度變換的標簽，交叉使用重置權重的損失函數和一般的交叉損失熵函數。本發明能夠對特定的目標邊緣進行檢測，同時對得到的邊緣進行分類，相較于現有的深度學習邊緣檢測方法，本發明不僅提高了檢測精度，得到更加細化的圖像邊緣，且幾乎不需要后期再處理；而且在功能上進行了擴展，能夠對以邊緣為基礎的其他任務，如目標分割、實例分割等任務提供更高的性能保障。

技術領域

本發明涉及圖像處理領域，尤其涉及圖像的邊緣檢測技術。

背景技術

邊緣檢測是圖像處理領域中的基礎問題，對邊緣分割的研究一直是計算機視覺的基本任務，也是很多研究和應用的技術基礎。例如醫學圖像的細胞分割，自動駕駛中道路分割等，都是邊緣檢測技術的具體應用。

傳統的邊緣檢測算法有三種：Sobel算子，Laplacian算子，和Canny算子。這些方法有各自的適用情形，得到邊緣圖像的效率和魯棒性都有局限。隨著人工智能的快速發展，逐漸有技術提出采用深度學習的方式來得到圖像邊緣，如參考文獻[1]、[2]，這些技術在效率和魯棒性上雖然有較大提升，但得到的邊緣相對于真實的邊緣較粗，檢測精度仍有待提高。而且這些邊緣檢測方法都只能得到二值邊緣圖像，不能對得到邊緣進行分類，進一步得到邊緣的語義信息。

參考文獻：

[1]S.Xie and Z.Tu.Holistically-nested edge detection.InIJCV.Springer,2017

[2]G.Bertasius,J.Shi,and L.Torresani.DeepEdge:A multiscale bifurcateddeep network for top-down contour detection.In IEEE CVPR,pages 4380–4389,2015

發明內容

針對上述現有技術的缺陷，本發明提供了一種檢測精度高、能得到邊緣的類別信息的邊緣檢測方法。

一種基于深度學習的類別敏感型邊緣檢測方法，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。

進一步地，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。

進一步地，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。

進一步地，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。

進一步地，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。

進一步地，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}，