[發(fā)明專利]一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的前景對象圖像分割方法

有效

• 申請?zhí)枺?/td>: 202010044615.X
• 申請日: 2020-01-16
• 公開（公告）號: CN111275732B
• 公開（公告）日: 2023-05-02
• 發(fā)明（設(shè)計）人: 楊戈;吳彬
• 申請（專利權(quán)）人: 北京師范大學珠海分校
• 主分類號: G06T7/194
• 分類號: G06T7/194;G06N3/0464;G06N3/09
• 代理公司: 珠海飛拓知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44650
• 代理人: 劉利芬

1.一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的前景對象圖像分割方法，其特征在于：

所述方法使用一個端到端的基于深度卷積神經(jīng)網(wǎng)絡(luò)DCNNs（Deep?ConvolutionalNeural?Networks）的監(jiān)督學習模型FOSeg（Foreground?Object?Segmentation），對逐像素的前景對象圖像分割；FOSeg模型分割流程：首先輸入原始圖像，經(jīng)過深度卷積神經(jīng)網(wǎng)絡(luò)的卷積、匯合、線性整流等操作，然后輸入到分流聚合模塊從而得出特征映射得分圖，隨后經(jīng)過雙線性插值算法的上采樣操作得到粗糙的分割圖，最后將得到的粗糙分割圖送入全連接的條件隨機場模型中進一步細化分割結(jié)果，從而得出精細的分割圖像；

FOSeg模型由卷積層組成,?中間有最大值匯合層；除最后一個卷積層大小為1x1，其余所有卷積核的大小均為3x3；每個卷積層后面還有一個線性整流層,?然后再輸入到下一層；FOSeg模型應(yīng)用擴張卷積算法，擴張卷積是利用上采樣濾波器的方法，通過擴張率控制著感受野，同樣的卷積核數(shù)量，不同的擴張率卻讓其有不同大小的感受野，在不增加參數(shù)量的情況下，擴張卷積可以指數(shù)級地擴大濾波器的感受野，有效地提取圖像上下文信息；

所述分流聚合模塊（Shunt-Fuse?Module,?SFM）：在pool5層之后以多個采樣率重新采樣特定的特征層，并在sofamax層之前將采樣的多尺度特征進行融合；

所述全連接的條件隨機場模型為全連接的兩兩之間的條件隨機場模型，對分割結(jié)果進行調(diào)優(yōu)；將每個像素建模為某區(qū)域內(nèi)的一個節(jié)點，無論兩個像素距離多遠，其兩兩之間的關(guān)系都會被衡量；所述全連接的條件隨機場模型與帶有擴張卷積和分流聚合模塊的DCNNs的像素級別分類器相結(jié)合，可以有效提高分割模型的分割精度。