[發(fā)明專利]一種結(jié)構(gòu)性目標高精度分割方法、電子設(shè)備及存儲介質(zhì)有效
| 申請?zhí)枺?/td> | 201911332026.5 | 申請日： | 2019-12-21 |
| 公開（公告）號： | CN110991415B | 公開（公告）日： | 2023-04-25 |
| 發(fā)明（設(shè)計）人： | 熊跡;何云;何豪杰;周智穎;劉奮 | 申請（專利權(quán)）人： | 武漢中海庭數(shù)據(jù)技術(shù)有限公司 |
| 主分類號： | G06V20/56 | 分類號： | G06V20/56;G06V10/26 |
| 代理公司： | 武漢藍寶石專利代理事務(wù)所(特殊普通合伙) 42242 | 代理人： | 謝洋 |
| 地址： | 430000 湖北省武漢市*** | 國省代碼： | 湖北;42 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 結(jié)構(gòu)性 目標 高精度 分割 方法 電子設(shè)備 存儲 介質(zhì) | ||
1.一種結(jié)構(gòu)性目標高精度分割方法，其特征在于，包括：
獲取采集的交通場景圖像，將所述交通場景圖像剪裁至預定大小；
對剪裁后的交通場景圖像進行卷積計算得到特征矩陣，對所述特征矩陣進行下采樣和上采樣后，與基于ASPP模塊和注意力機制處理后的特征矩陣疊加得到目標特征矩陣；
其中，對剪裁后的交通場景圖像進行卷積計算得到特征矩陣R1；
對所述特征矩陣R1通過ASPP模塊和注意力機制處理得到特征矩陣Q1；
所述特征矩陣R1進行下采樣后，進行卷積計算得到特征矩陣R2；
對所述特征矩陣R2通過ASPP模塊和注意力機制處理得到特征矩陣Q2；
所述特征矩陣R2進行下采樣后，進行卷積計算得到特征矩陣R3；
對所述特征矩陣R3通過ASPP模塊和注意力機制處理得到特征矩陣Q3；
所述特征矩陣R3多次卷積生成特征矩陣W1，將特征矩陣W1上采樣后與特征矩陣Q3疊加得到特征矩陣T1；
特征矩陣T1卷積計算后得到特征矩陣U1，將特征矩陣U1上采樣后與特征矩陣Q2疊加得到特征矩陣T2；
特征矩陣T2卷積計算后得到特征矩陣U2，將特征矩陣U2上采樣后與特征矩陣Q1疊加得到特征矩陣T3，將特征矩陣T3作為目標特征矩陣；
將所述目標特征矩陣經(jīng)過sigmoid函數(shù)分類輸出，以檢測分割所述交通場景圖像中交通要素。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取采集的交通場景圖像，將所述交通場景圖像剪裁至預定大小還包括：
設(shè)置相關(guān)訓練網(wǎng)絡(luò)參數(shù)，以通過將所述交通場景圖像作為樣本對深度學習網(wǎng)絡(luò)進行訓練。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述目標特征矩陣經(jīng)過sigmoid函數(shù)分類輸出，以檢測分割所述交通場景圖像中交通要素包括：
基于歷史樣本的特征學習，通過所述sigmoid函數(shù)對所述目標特征矩陣進行二分類，從所述交通場景圖像中分割出交通要素。
4.一種用于結(jié)構(gòu)性目標高精度分割的電子設(shè)備，其特征在于，包括：
剪裁模塊，用于獲取采集的交通場景圖像，將所述交通場景圖像剪裁至預定大小；
處理模塊，用于對剪裁后的交通場景圖像進行卷積計算得到特征矩陣，對所述特征矩陣進行下采樣和上采樣后，與基于ASPP模塊和注意力機制處理后的特征矩陣疊加得到目標特征矩陣；
其中，對剪裁后的交通場景圖像進行卷積計算得到特征矩陣R1；
對所述特征矩陣R1通過ASPP模塊和注意力機制處理得到特征矩陣Q1；
所述特征矩陣R1進行下采樣后，進行卷積計算得到特征矩陣R2；
對所述特征矩陣R2通過ASPP模塊和注意力機制處理得到特征矩陣Q2；
所述特征矩陣R2進行下采樣后，進行卷積計算得到特征矩陣R3；
對所述特征矩陣R3通過ASPP模塊和注意力機制處理得到特征矩陣Q3；
所述特征矩陣R3多次卷積生成特征矩陣W1，將特征矩陣W1上采樣后與特征矩陣Q3疊加得到特征矩陣T1；
特征矩陣T1卷積計算后得到特征矩陣U1，將特征矩陣U1上采樣后與特征矩陣Q2疊加得到特征矩陣T2；
特征矩陣T2卷積計算后得到特征矩陣U2，將特征矩陣U2上采樣后與特征矩陣Q1疊加得到特征矩陣T3，將特征矩陣T3作為目標特征矩陣；
分割模塊，用于將所述目標特征矩陣經(jīng)過sigmoid函數(shù)分類輸出，以檢測分割所述交通場景圖像中交通要素。
5.根據(jù)權(quán)利要求4所述的電子設(shè)備，其特征在于，所述剪裁模塊還包括：
設(shè)置模塊，用于設(shè)置相關(guān)訓練網(wǎng)絡(luò)參數(shù)，以通過將所述交通場景圖像作為樣本對深度學習網(wǎng)絡(luò)進行訓練。
6.根據(jù)權(quán)利要求4所述的電子設(shè)備，其特征在于，所述將所述目標特征矩陣經(jīng)過sigmoid函數(shù)分類輸出，以檢測分割所述交通場景圖像中交通要素包括：
基于歷史樣本的特征學習，通過所述sigmoid函數(shù)對所述目標特征矩陣進行二分類，從所述交通場景圖像中分割出交通要素。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于武漢中海庭數(shù)據(jù)技術(shù)有限公司，未經(jīng)武漢中海庭數(shù)據(jù)技術(shù)有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201911332026.5/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
