[發明專利]一種自然場景下的金絲猴軀體分割算法

有效

• 申請號: 201910405596.6
• 申請日: 2019-05-16
• 公開（公告）號: CN110287777B
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 許鵬飛;王妍;郭松濤;李朋喜;常曉軍;郭凌;何剛;陳峰;郭軍
• 申請（專利權）人: 西北大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 張明

1.一種自然場景下的金絲猴軀體分割算法，其特征在于，包括以下步驟：

構造語義分割網絡，實現端到端的圖像分割；對所述的語義分割網絡進行訓練，保存訓練后的網絡模型用于待分割圖像的分割檢測；

所述的語義分割網絡包括分類網絡、融合部分以及輸出部分，其中：

語義分割網絡從前至后依次為第一卷積層、第一最大池化層、第二卷積層c、第二最大池化層、第三卷積層、第三最大池化層、第四卷積層、第四最大池化層、第五卷積層、第五最大池化層、第六卷積層、第七卷積層；第一卷積層至第五卷積層的每層包括兩次連續的卷積計算、第六卷積層包括一次卷積計算，作用是將輸入的圖像進行特征提取處理，得到特征圖；第七卷積層包括一次卷積計算和分類激活函數，作用是進行特征提取處理并做像素級的分類，得到置信圖；第一最大池化層至第五最大池化層的作用是在不損失特征的情況下減小數據維度；

融合部分包括第一特征融合層和第二特征融合層，第一特征融合層將第七卷積層的輸出經過上采樣后，與第五最大池化層的輸出進行特征融合；第二特征融合層將第一特征融合層的輸出結果和第四最大池化層提取的特征進行特征融合，得到融合后的置信圖；

輸出部分包括輸出層，輸出層包括一個上采樣層和一個分類層，其中上采樣層的輸入為第二特征融合層的輸出，作用是擴大所述融合后的置信圖到原始輸入圖像的大小；分類層作用是對每個像素進行分類預測，最終得到與原始輸入圖像大小一致的高分辨率的類熱力圖。

2.如權利要求1所述的自然場景下的金絲猴軀體分割算法，其特征在于，所述的第一卷積層至第五卷積層的每一層卷積核大小均為2×2，步長為2；第六卷積層的卷積核大小為7×7，步長為1；第七卷積層的卷積核大小為1×1，步長為1。

3.如權利要求1所述的自然場景下的金絲猴軀體分割算法，其特征在于，所述的第一最大池化層至第五最大池化層的每一層池化核大小為2×2，步長為2。

4.如權利要求1所述的自然場景下的金絲猴軀體分割算法，其特征在于，所述的第一特征融合層將第七卷積層的輸出經過上采樣后，與第五最大池化層的輸出進行特征融合，包括：

第一特征融合層包括一個上采樣層和卷積層，上采樣層的輸入為第七卷積層的輸出，上采樣倍數為2倍，作用是擴大置信圖的像素便于特征融合，得到維度擴大的置信圖A2；卷積層的輸入為第五最大池化層的輸出，卷積核大小為1×1，步長為1，激活函數為Relu函數，得到第五最大池化層輸出的置信圖B；第一特征融合層最終的輸出為置信圖B與置信圖A2的和，記為置信圖C。

5.如權利要求1所述的自然場景下的金絲猴軀體分割算法，其特征在于，所述的第二特征融合層將第一特征融合層的輸出結果和第四最大池化層提取的特征進行特征融合，得到融合后的置信圖，包括：

第二特征融合層包括一個上采樣層和卷積層，上采樣層的輸入為分割結果圖C，上采樣倍數為2倍，作用是擴大置信圖的像素便于特征融合，得到維度擴大的置信圖C2；卷積層的輸入為第四最大池化層的輸出，卷積核大小為1×1，步長為1，激活函數為Relu函數，得到第四最大池化層輸出的置信圖D；第二特征融合層最終輸出為置信圖D與置信圖C2的和，記為置信圖E，即為融合后的置信圖。

6.如權利要求1所述的自然場景下的金絲猴軀體分割算法，其特征在于，所述的語義分割網絡進行訓練時，所采用的損失函數為：

其中，y^(i,j)表示輸入圖像對應的實際分類后的圖像像素點(i,j)處的標簽值，表示輸入圖像經語義分割網絡處理后的輸出圖像像素點(i,j)處的預測值，height和width分別表示圖像的高和寬，dw^(i,j)為距離約束權重函數，表示為：

其中，distance(I^(i,j),center^(i,j))表示像素點I^(i,j)距離其所在連通域中心center^(i,j)的距離，α和β是兩個常數。