[發(fā)明專利]基于雙流架構和邊界強調損失函數的可行駛區(qū)域分割方法

在審

• 申請?zhí)枺?/td>: 202010320906.7
• 申請日: 2020-04-22
• 公開（公告）號: CN111582279A
• 公開（公告）日: 2020-08-25
• 發(fā)明（設計）人: 羅安;張艷青
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 王東東

1.一種基于雙流架構和邊界強調損失函數的可行駛區(qū)域分割方法，其特征在于，包括如下步驟：

S1輸入原始圖片；

S2將原始圖片分別輸入主網絡及輔助網絡，將兩個網絡得到的輸入特征圖進行融合得到最終數據特征圖；

S3添加邊界強調損失函數對最終數據特征圖的損失進行描述，得到目標圖像與標注數據之間的損失值；

S4反向傳播法將損失值進行回傳；

S5得到最終的語義分割效果圖。

2.根據權利要求1所述的可行駛區(qū)域分割方法，其特征在于，所述S1輸入原始圖像后，還包括圖像彈性增強步驟。

3.根據權利要求1所述的可行駛區(qū)域分割方法，其特征在于，所述主網絡為當前的語義分割神經網絡框架ENet，該框架為對稱性的encoder+decoder框架。

4.根據權利要求1所述的可行駛區(qū)域分割方法，其特征在于，所述輔助網絡包括基礎殘差神經網絡模塊Res 3x 3和基礎直通神經網絡模塊Conv 1x 1。

5.根據權利要求1所述的可行駛區(qū)域分割方法，其特征在于，現(xiàn)有損失函數是每個像素與標注數據進行比較，通過交叉熵來計算誤差，所述邊界強調損失函數是在交叉熵加上L2正則表達項來計算誤差。

6.根據權利要求1所述的可行駛區(qū)域分割方法，其特征在于，所述最終的語義分割效果圖與原始輸入圖像的長寬尺寸相同，通道數為類別數。

7.根據權利要求2所述的可行駛區(qū)域分割方法，其特征在于，所述圖像彈性增強包括鏡像、翻轉、旋轉、添加高斯噪聲、添加椒鹽噪聲、白化及歸一化。

8.根據權利要求3所述的可行駛區(qū)域分割方法，其特征在于，在encoder部分的神經網絡VGG模型參數量為1.2億，每個參數表示每個神經元的權值。

9.根據權利要求1所述的可行駛區(qū)域分割方法，其特征在于，作為輔助神經網絡架構的部分模型參數量為800萬。

10.根據權利要求1所述的可行駛區(qū)域分割方法，其特征在于，所述將原始圖片分別輸入主網絡及輔助網絡，具體是主網絡的每一層卷積特征圖分別是輔助網絡的基礎殘差神經網絡模塊及主網絡當前層的下一層的輸入。