[發明專利]基于卷積網絡的圖像分割方法

在審

• 申請號: 202010436462.3
• 申請日: 2020-05-21
• 公開（公告）號: CN111612008A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 陳虹;連博博
• 申請（專利權）人: 蘇州大學
• 主分類號: G06K9/34
• 分類號: G06K9/34;G06K9/62;G06N3/04
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 郭磊

1.一種基于卷積網絡的圖像分割方法，其特征在于，包括：

步驟1：數據預處理

使用Cityscapes圖像數據集，在訓練中只使用其中的11個類別，通過計算得到，該11個類別的像素占比已經超過總像素個數的90％以上，分別為路(Road)、人行道(Sidewalk)、建筑(Building)、植被(Vegetation)、天空(Sky)、地形(Terrain)、人(Person)、轎車(Car)、自行車(Bicycle)、桿(Pole)、巴士(Bus)；同時對訓練集圖像進行左右翻折擴增數據集，獲得5950張圖片，之后縮放圖像大小為512×1024用于網絡的訓練；

步驟2：卷積網絡模型的設計

所述卷積網絡稱為LBNet網絡，主要基于ENet網絡進行改進；

步驟3：模型訓練與驗證

步驟3.1、將步驟1中預處理后的數據分為訓練集、驗證集和測試集，并將訓練集作為卷積網絡的輸入，訓練網絡模型參數；

步驟3.2、LBNet網絡的驗證度量指標使用像素分割精度MPA(Mean Pixel Accuracy)和平均交并比MIoU(Mean Intersection over Union)，分別定義為：

其中k+1為分割的總類別數，x_ij表示類i像素被預測為類j像素的總數目；

步驟3.3、將訓練好的網絡模型在準備好的測試集上進行模型的驗證，并分別統計像素分割精度MPA和平均交并比MIou；

步驟4：模型優化與改進處理

根據步驟3中在測試集上的度量結果，不斷調整模型的超參數，實現對步驟2建立的卷積網絡模型進行參數優化；

步驟5：模型使用

根據步驟4得到的最終優化好的模型進行測試使用。

2.如權利要求1所述的基于卷積網絡的圖像分割方法，其特征在于，具體改進策略如下：

步驟2.1、對于中間層中的殘差塊，ENet使用加法的融合策略F_i＝Sum(X_i，Y_i)將特征圖進行融合，該發明中的卷積網絡將上采樣階段的殘差塊結構，全部改為最大值融合策略，即：F_i＝Max(X_i，Y_i)；

步驟2.2、為了減少采樣過程中的圖像細節丟失問題，網絡結構共使用三次下采樣操作，同時在上采樣階段使用反卷積層替換ENet網絡解碼過程中的所有上采樣層，并使用跳躍連接結構，將下采樣階段與上采樣過程中同分辨率大小的特征圖進行融合；

步驟2.3、對ENet網絡結構中存在的一些合并層(Concat)，在其后面加一層卷積層，設定卷積核的大小為(1×1)，卷積核的數目為合并層的特征圖通道數，其目的是對合并后的特征圖進行線性組合，更好的提取圖像特征；

步驟2.4、為了增加感受野，在下采樣過程的卷積模塊中多次使用擴張卷積，擴張率分別為2、4、8、16，同時加入金字塔結構的融合策略，分別將擴張率為2和4的卷積模塊的輸出進行融合，得到的結果再與擴張率為8的卷積模塊融合，最后與擴張率為16的卷積模塊融合；

步驟2.5、修改ENet網絡中使用的卷積模塊，由兩路卷積分別捕捉不同尺度感受野信息，并使用殘差結構進行融合，進一步提高網絡的分割精度。

3.如權利要求1所述的基于卷積網絡的圖像分割方法，其特征在于，訓練參數設定如下：初始學習率設置成0.001，總共迭代次數為75000次，學習率衰減規則為：分別在迭代次數是18750、37500和56250時降低學習率為當前學習率的0.1，權重衰減率為0.0002，使用Softmax損失函數，并且通過Adam優化器優化損失函數，參數為：β₁＝0.9，β₂＝0.99，其他參數默認。